Tekijä: nekone

Kurssi on loppu ja blogi on valmis, eli enempää muutoksia ei ole tulossa. 🙂

Loppu näkyvissä

Kurssi saatiin päätökseen ja olo on hyvä. Viimeisellä luentokerralla tarkoituksena oli tehdä itse mahdollisimman paljon, tehtävätyypin ja aineiston valinnasta aina lopputuotokseen asti. Valitsin tehtävän yksi, eli kahden muuttujan kartan teon. Mietin pitkään aluetta ja muuttujia, joita halusin tarkastella. Toisella nyt menossa olevalla kurssilla on tullut esille kaupunkien turvattomuus ja rauhattomuus, joten se oli mielen päällä kun etsiskelin Suomen maakuntiin liittyvää aineistoa. Päädyin lopulta valitsemaan Suomen maakuntakartan ja tietoja ryöstön sekä ylipäätään rikosten uhreista Suomessa (kuva 1). Tarkoituksenani oli näyttää kartalla, kuinka ryöstöjen ja ylipäätään rikosten uhrien määrät ovat jakautuneet maakunnittain.

Aineiston kerääminen

Vaikeinta itselle kartan teossa oli kunnollisen ja sopivan aineiston kerääminen. Ennen kuin valitsin kunnolla tarkasteltavaa paikkaa, etsin erilaisia aineistoja Yhdysvalloista ja Euroopasta. Päädyin kuitenkin lopulta Suomen maakuntakarttaan ja StatFin:istä löytyneisiin aineistoihin. Monen muunkin, kuten Liisan blogissa oltiin löydetty aineistot StatFinin avulla. Sieltä on helppo valita tarvittavat muuttujat, tallentaa tiedosto csv muotoisena ja tarvittaessa muokata Excelillä sopivaksi. Niin teinkin, että sain muokattua kaikki ääkköset Join-työkalun toimimiseksi. Pohjakartan sain Tilastokeskuksen paikkatietorajapinnasta.

Karttojen teko

Mietin pitkään sitä, millaista diagrammia käyttäisin toisen muuttujan esittämisessä. Huomasin, etten vieläkään ollut täysin varma siitä mitkä asiat kannatti esittää prosenttiosuuksina ja mitkä pystyi esittämään kokonaislukuina. Tuntui kuitenkin järkevältä esittää koropleettikartan uhrien määrät prosentteina kaikista uhreista, ja diagrammeja kokeilin esittää niin prosentteina koko maan ryöstöistä kuin kokonaislukuinakin. Tulokset näyttivät kartassa suunnilleen samalta, mutta lukumäärien väliset erot maakuntien välillä olivat selkeämmin näkyvissä, kuin prosentteina esitettyinä.

 

 

Kuva 1. Rikosten uhrit (%) ja ryöstön uhrien lukumäärä maakunnittain vuonna 2018.

Kartta onnistui mielestäni hyvin. Ainoa silmiinpistävä tekijä on Uusimaan ryöstöjen uhreja esittävä pylväs, joka toisaalta kertoo hyvin Uusimaalla esiintyvän rikosten paljouden, mutta toisaalta se leikkaa muitakin maakuntia eikä pysy maakuntansa rajojen sisällä, kuten muut palkit.

On hyvä huomauttaa, että aineisto ei käsitellyt kaikkien mahdollisten rikosten uhreja Suomessa, vaan aineistossa esitettiin vain joitain rikoksia. Aineiston tuntemisella onkin merkitystä, koska karttaa katsoessa voi helposti luulla sen esittävän kaikkien rikosten uhreja.

Kartassa vertaillaan siis sitä, kuinka suuri osuus koko Suomen rikoksista tapahtui kussakin maakunnassa. Väkiluvut vaikuttavat tuloksiin, kuten huomata saattaa. Uusimaalla väkiluku on suurin, ja väri kartalla tummin. Kartta ei kerro, kuinka suuri osa kunkin maakunnan väestöstä oli vuonna 2018 aineiston mukaan jonkinlaisen rikoksen tai ryöstön kohteena. Tällainen kartta kertoisi ehkä enemmän maakunnan rauhattomuudesta, sillä maakuntien välisillä väkiluvuilla ei olisi enää niin suuri merkitys. Päätinkin tehdä toisen kartan, joka esitti juuri tätä.

Kuvassa 2 näkyy tulos. Esitin siis sen, kuinka suuri osa väestöstä oli rikoksen kohteena. Tämä muutti kartan väritystä selvästi, vaikka yhäkin Uusimaa pysyi korkealla rikosten uhrien määrän kannalta. Nyt esimerkiksi Pohjois-Pohjanmaa ja Pirkanmaa eivät ole yhtä tummia, verrattuna Keski-Suomeen ja Kainuuseen. Tarkoituksena oli tehdä ympyrädiagrammit samalla tyylillä ryöstöjen uhreille, mutta uhreja oli niin vähän koko väestöön verrattuna, ettei ympyrädiagrammeja ollut mahdollista tehdä. Senpä takia tein aiemmin mainitsemani pylväsdiagrammit, jotka esittävät maakunnan ryöstön uhrien osuutta koko Suomen ryöstöjen uhreista. Paikat, joissa ryöstöjä oli vähän, oli vaikeampi verrata kuvan 1 karttaan verrattuna. Ainakaan Uusimaan pitkän pylvään ongelmaa ei enää ole.

Kuva 2. Rikosten uhrit väestöstä ja alueen ryöstön uhrien osuus uhrien kokonaismäärästä maakunnittain vuonna 2018. 

Kahden muuttujan esittämiselle olisi ollut kiva kokeilla muitakin tapoja, mutta näidenkin karttojen väkertämisessä meni yllättävän paljon aikaa aineistoa etsiessä ja Field Calculatorilla leikkiessä. Esimerkiksi Henrietan blogista löytyy todella hieno ja kiinnostava kartta, johon on mahtunut vaikka millaista tietoa.

Valitsemani aihe oli mielestäni kiinnostava ja hyvillä mielin lopettelen kurssin tähän. Oli todella hyödyllistä oppia käyttämään QGIS:iä ja uskon kyllä, että niistä on tulevaisuudessakin hyötyä.

Lähteet

Blogit:

Ahokas, L., 2021. vika(7.) kurssikerta. Luettu osoitteessa <https://blogs.helsinki.fi/ahokliis/> 23.3.2021.

Nyström, H., 2021. Kurssikerta 7. Luettu osoitteessa <https://blogs.helsinki.fi/nystrhen/> 23.3.2021.

Aineisto:

Kansalliset aineistot. Tilastokeskus. https://geo.stat.fi/geoserver/tilastointialueet/wfs

11cn — Eräiden rikosten uhrit iän mukaan maakunnittain, 2009-2019. StatFin-tietokanta, Tilastokeskus. Saatavilla <https://pxnet2.stat.fi/PXWeb/pxweb/fi/StatFin/>.

 

 

Karttasarja: tulivuoret ja maanjäristysten magnitudit

Kuudennella luentokerralla oli tarkoitus tehdä opetustarkoitukseen sopivia karttoja luonnonhasardeista maailmalla. Kartoissa esitän tulivuorten ja maanjäristysten sijainteja. Karttoja oli tarkoitus tuottaa alunperin kolme, mutta päädyin tekemään vielä yhden lisää, sillä tietoa maanjäristyksistä ladatessani jouduin jakamaan magnitudit yli kolmeen luokkaan, muuten ladattavan tiedon määrä oli liian suuri.

Maanjäristykset ovat vuoden 2016 alusta vuoden 2017 esiintyneitä maanjäristyksiä, eli yhden vuoden aikana esiintyneitä maanjäristyksiä. Ajatuksenani oli ensin ladata maanjäristyksistä tietoa monelta vuodelta, mutta joidenkin tiedostojen koko oli liian suuri ladattavaksi. Toisaalta yhden vuoden maanjäristykset näyttävä kartta kertoo enemmän, sillä siitä huomaa, kuinka paljon maanjäristyksiä oikein esiintyy pelkän yhden vuoden aikana.

Jokaisessa kartassa maanjäristysten magnitudit ovat eri luokkaa. Kuvassa 1 näkyvät pienimmät maanjäristykset (richterin luku 2,5-3), kuvassa 2 sitä hieman suuremmat (3,1-5) ja kuvassa kolme sitäkin suuremmat maanjäristykset (5,1-7) ja kuvassa 4 suurimmat maanjäristykset (7,1-7,9). Yritin ladata tiedot vielä alle 2,5 magnitudin maanjäristyksistä, mutta sivusto alkoi oikkuilemaan ja näytti erroreita toisen perään. Saattoi olla kyse siitä, ettei näitä lukuja vaan ollut tarjolla sivustolla tai sitten niitä ei ainakaan valitsemaltani tarkasteluvuodelta ollut. Pienempien magnitudien maanjäristysten puute ei toisaalta haittaa, sillä jopa 2,5 magnitudin maanjäristyksiä havaitaan/tunnetaan vain joissain tapauksissa. Sitä alemman magnitudin maanjäristykset voikin havaita vain mittaamalla. Näin ollen kartat esittävät maanjäristyksiä, jotka voi tuntea.

Kuva 1. Maailman tulivuoret ja maanjäristykset 2,5-3 magnitudeilla vuodelta 2016.

Kuva 2. Maailman tulivuoret ja maanjäristykset 3,1-5 magnitudeilla vuodelta 2016.

Kuva 3. Maailman tulivuoret ja maanjäristykset 5,1-7 magnitudeilla vuodelta 2016.

Kuva 4. Maailman tulivuoret ja maanjäristykset 7,1-7,9 magnitudeilla vuodelta 2016.

Arviointia

Olen tyytyväinen karttojen ulkoasuun. Pohdin maanjäristysten ja tulivuorten merkkien päällekkäisyyttä, ja vaihtelin sitä eri kartoissa. Kuvan 4 kartassa suurin osa maanjäristyksistä olisi peittynyt tulivuorten merkkien alle, jos en olisi siirtänyt tasojen järjestystä. Toisaalta kartoissani on myös parantamisen varaa. Heidi Syrjäläisen blogissa oli kartta, johon oli lisätty maan litosfäärilaatat. Tällainen olisi itsellekin ollut hyödyllinen, jotta voisi verrata pisteiden sijaintia laattojen rajoihin. Varsinkin kuvani 2 maanjäristykset seuraavat hyvin tektonisten laattojen rajoja. Jos kartoissa olisi mukana litosfäärilaattojen rajat, voisi niistä huomata, että laattojen rajat ja esitettävät kaksi ilmiötä liittyvät toisiinsa.

Sen kartasta huomaa, että maanjäristyksiä esiintyy usein tulivuorten kanssa samoilla alueilla. Molemmat ilmiöt esiintyvät usein litosfäärilaattojen rajoilla niiden liikkuessa toistensa suhteen. Maanjäristyksiä voi myös tapahtua tulivuoren magman toiminnan seurauksena. Karttoja vertaillessa huomaa myös, että kuvien 2 ja 3 kartoissa on esiintynyt eniten maanjäristyksiä. Karttani kertovat siis kaksi asiaa: maanjäristyksiä ja tulivuoria esiintyy usein yhdessä, ja eniten esiintyy yli 3:n mutta alle 7:n magnitudin maanjäristyksiä. Valtavan suuria, yli 7 magnitudin maanjäristyksiä esiintyy kyseisenä vuonna hyvin vähän. Suurin mitattu maanjäristys kyseisenä vuonna oli 7,9. Ensimmäisen kuvan pienten magnitudien maanjäristysten vahva keskittyminen Pohjois-Amerikkaan on mielenkiintoista. Onko jakauma kuitenkaan todellisuudessa tällainen? Saattaa myös olla, ettei näin pieniä maanjäristyksiä mitata kaikkialla maailmalla.

Näin jälkeenpäin katsottuna olisi ollut kannattavaa etsiä netistä tietoa, joiden avulla magnitudit olisi voinut rajata järkevämpiin luokkiin. Esimerkiksi UPSeis -sivustolta löytyy tietoa siitä, minkälaisia vaikutuksia eri magnitudien maanjäristyksillä on. Karttojen magnitudien luokittelun olisin voinut tehdä tämän perusteella, pienistä maanjäristyksistä suuria vahinkoja aiheuttaviin. Itse valikoimani luokittelun keskimmäisen luokkavälin 5,1-7 olisin vielä voinut jakaa kahtia, sillä viiden ja seitsemän magnitudin maanjäristysten vaikutukset ovat hyvin erilaisia. Olisi ollut kiinnostava myös tehdä muutaman muun vuoden ajanjaksolta samanlaiset kartat ja vertailla, ovatko eri magnitudien esiintymisten suhteet samankaltaisia eri vuosina.

National Park Service -sivustolta löytyy kartta litosfäärilaatoista ja siitä, kuinka ne liikkuvat toistensa suhteen. Tätä karttakuvaa ja omiani voisi käyttää opettamaan mannerlaattojen sijainneista, liikesuunnista ja niiden aiheuttamista tulivuorenpurkauksista/maanjäristyksistä.

Lähteet:

Syrjäläinen, H., 2021. 6. kurssikerta. Luettu osoitteessa https://blogs.helsinki.fi/hesy/ 3.3.2021.

National Park Service, 2020. Evidence of Plate Motions. Luettu osoitteessa https://www.nps.gov/subjects/geology/plate-tectonics-evidence-of-plate-motions.htm 3.3.2021.

UPSeis, 2007. How are earthquake magnitudes measured? Michigan Technological University. Luettu osoitteessa http://www.geo.mtu.edu/UPSeis/intensity.html 3.3.2021.

 

Itsearviointia

Viidennellä luennolla teimme paljon itsenäistä laskutyötä QGIS:in toimintojen kertaamiseksi. Aluksi tehtävät tuntuivat ylitsepääsemättömiltä, mutta jonkin verran asioita kokeiltua ja aiempien luentojen ohjeita muisteltua tehtävien tekeminen alkoi sujua. Tehtäviä tehdessä tuli huomattua, että varsinkin vaativammat eli enemmän työvaiheita vaativat tehtävät oli vaikeampi saada suoritettua. Luennoilla on käyty läpi monia QGIS:in toimintoja, mutta niiden soveltaminen itsenäistehtävissä vaati enemmän ymmärrystä. Suurimman osan itsenäistehtävistä onnistuin ratkomaan niin, että uskoin vastausten olevan oikein (eri asia sitten, ovatko ne oikeasti). Parissa tehtävässä kuitenkin jäin miettimään sitä, että olivatko luvut menneet ihan päin metsää.

 

Vastaukset

Muiden blogeja lueskellessani huomasin paljon eriäviä vastauksia, jotka kuitenkin olivat lähellä toisiaan. Vastauksiin saattoi vaikuttaa esimerkiksi piirrettyjen polygonien tarkkuus. Itselläni myös bufferoinnissa käytetty ”segments” arvo näytti vaikuttavan vastausten lukuarvoihin.

Taulukko

Lähteet

Korpi, S., 2021. Osaamistason arviointia. Luettu https://blogs.helsinki.fi/sakorpi/ 23.2.2021.

Ruututeemakartan väkertämistä…

Neljännellä luennolla käsittelimme pistemuotoisia aineistoja ja rasterikarttaa. Ruutuaineistoa käyttämällä tein kartan, joka esittää ruotsinkielisten määrää pääkaupunkiseudulla 1km x 1km ruuduilla (kuva 1). Toisin kuin edellisillä luennoilla tekemissämme kartoissa, tässä ruututeemakartassa tulokset voidaan esittää absoluuttisina arvoina. Syynä tähän on se, että arvot esitetään saman kokoisilla alueilla (ruuduilla). Tehdessä karttoja esimerkiksi kuntien sisällä olevista arvoista, piti suhteuttaa luvut pinta-alaan. Tässä tapauksessa pinta-alat ovat kuitenkin samoja. Toinen ruututeemakartan hyvä puoli on se, että ilmiöitä voi tarkastella ilman hallinnollisia rajoja. Pistekarttaan verrattuna se esittää arvot eri luokkina ja väreinä, muttei esitä yhtä tarkasti aluetta, kuin piste.

Karttaa tarkastellessa minua vaivaa se, ettei kuvasta ole heti selvää, mitä aluetta kuvataan. Ilman kuvatekstiä ja legendan selitystä ei heti huomaisi, että kyseessä on pääkaupunkiseutu. Tämän vuoksi luettavuus ei ole mielestäni yhtä hyvä, kuin aiemmin kurssilla tehdyissä koropleettiteemakartoissa. Sanna Jantusen blogissa oli mielestäni hyvin onnistuttu lisäämään paikannimet tekemättä kartasta sekavaa. Myös ruutujen läpinäkyvyys oli mielestäni näppärä kikka.

Päädyin poistamaan joet ja järvet, sillä ne häiritsivät silmää karttaa tutkailessa. Valitsemani neliökilometrin ruutukoko ei ole liian suuri, mutta vielä yksityiskohtaisempaa tarkastelua varten pienempikin ruutukoko olisi voinut olla sopiva ja tehnyt kartasta luettavamman. Iiris Turusen blogissa käytetty 500m x 500m näytti mielestäni todella hyvältä. Ehkä suurempaa aluetta tarkastellessa suuret ruudut ovat parempia, sillä pienet eivät näkyisi yhtä selkeästi. Kuitenkin pääkaupunkiseudun kokoisella alueella pienet ruudut ovat tarkasteluun sopivampia.

 

Kuva 1. Ruotsinkielisten määrä pääkaupunkiseudulla 1km x 1km ruuduilla.

Ruutujen tiedot siis esittävät ruotsinkielisten yhteenlaskettua määrää neliökilometrin alueilla. Eniten ruotsinkielisiä löytyy Helsingistä sekä Kauniaisesta ja sen jälkeen Espoosta. Vantaalta ruotsin puhujia löytyy vähemmän. Nämä luvut eivät ole yllättäviä, sillä Helsingissä on eniten asukkaita ja Vantaalla vähiten (lukuunottamatta Kauniaista), kun vertaa kolmea aluetta. Kuntaliiton (2017) mukaan Kauniaisella ruotsinkielisten osuus väestöstä on jopa 34 prosenttia. Helsingin sisällä suurimmat lukumäärät löytyvät eteläisestä ja keskisestä Helsingistä. Espoossa eniten ruotsinkielisiä löytyy Kauniaisen ympäriltä ja eteläpuolelta. Lukuihin saattaa väkilukujen lisäksi vaikuttaa myös saatavuus ruotsinkieliseen koulutukseen ja palveluihin eri alueilla.

…ja korkeuskäyrien vertailua

Seuraavaksi tehtävänä oli ladata peruskarttalehti Pornaisen alueelta. Latasin Paitulista Maanmittauslaitoksen peruskarttalehden vuodelta 2020. Hetken jouduin kokeilemaan, että millä tavalla saisin tiedoston tuotua QGIS:iin, mutta onnistuin kuitenkin. Sitten jouduinkin muistelemaan, kuinka korkeuskäyrä tulikaan tehdä. Lopputulos löytyy kuvasta 2.

Kuva 2. Korkeuskäyrien vertailua Pornaisen peruskarttalehdellä. Kuvassa violetinsinisellä korkeusmallin perusteella tehdyt korkeuskäyrät. 

Kuvassa 2 on siis vertailtu Pornaisen peruskarttalehden korkeuskäyriä QGIS:in Countour -toiminnolla tehtyihin korkeuskäyriin. Tekemäni korkeuskäyrät värjäsin sinivioleteiksi ja lisäsin niiden paksuutta selkeyden vuoksi. Kuten kuvasta näkee, eriävät linjat toisistaan hieman, mutta kulkevat silti suurin piirtein samoja muotoja pitkin. QGIS:illä korkeusmalleista tehdyt korkeuskäyrät ovat muodoiltaan yksityiskohtaisempia. Joissain kohti erot korkeuskäyrien välillä ovat pienempiä, kun taas toisissa kohti erot ovat paremmin huomattavissa. Peruskartassa on joitain korkeita huippuja, joita QGIS:in korkeuskäyrä ei näytä. Toisaalta on myös sellaisia huippuja ja matalia kohtia, jotka näkyvät vain tekemässäni korkeuskäyrässä.

Tämän luennon aiheet jäivät minulle hieman huonosti mieleen verrattuna muihin kurssikertoihin. Onnistuin kuitenkin ohjeiden avulla tekemään ruututeemakartan ja korkeuskäyrän, johon olin tyytyväinen. Mielestäni Join attributes by location (summary) toiminto on ehkä hankalin sisäistää tähän mennessä kurssilla, joten sen käyttöön tulee vielä tutustua lisää omalla ajalla.

Lähteet

Jantunen, S., 2021. Ruutuleikkejä. Luettu osoitteessa https://blogs.helsinki.fi/smjantun/ 17.2.2021.

Kuntaliitto, 2017. Ruotsin- ja kaksikieliset kunnat. Taustaatietoa 2008-2017. Luettu osoitteessa https://www.kuntaliitto.fi/sites/default/files/media/file/2017-02-ruotsin-ja-kaksikieliset-kunnat_0.pdf 17.2.2021.

Turunen, I., 2021. 4. kurssikerta: jälleen uusi postaus ilman nokkelaa otsikkoa. Luettu osoitteessa https://blogs.helsinki.fi/iiristur/ 17.2.2021.

 

Datan liittämistä, tietojen lisäystä ja tiedon luomista

Kolmannella luennolla muokkasimme tietokantaa, jotta sen käyttö myöhemmin olisi helpompaa. Lisäsimme myös ulkoista tietoa tietokantaliitoksella ja tuotimme uutta tietoa laskemalla.

Luennon kesken koin ongelman, sillä tuottaessani tietoa sijainnin perusteella sain lopputuloksena selvästikin vääriä tuloksia. Niinpä päädyin kuuntelemaan luennon tekemättä itse tehtäviä, ja tekemään luennon aikaiset harjoitukset myöhemmin. Tällä kertaa onneksi onnistui. QGISin kaltaista ohjelmaa käyttäessä onkin kiinnitettävä huomiota siihen, että jokainen työvaihe tehdään huolella, ettei epähuomio myöhemmin koidu ongelmaksi. Näin jälkikäteen katsottuna mietin, että ongelma saattoi johtua epähuomiostani eri tiedostojen ja tasojen projektioista. Tällä kertaa kiinnitin projektioihin enemmän huomiota ja manuaalisesti vaihdoin kaikkien tasojen projektiot samoiksi.

Tehtyjen toimintojen perusteella saatiin attribuuttitaulukko, joka kertoi esimerkiksi konfliktien määrät valtioittain tai kuinka monena vuotena konflikteja on esiintynyt valtioittain. Tämä kertoo kunkin alueen pitkäaikaisemmasta levottomuudesta. Angolassa, Chadissa ja Etiopiassa konflikteja esiintyi eniten, ja konfliktivuosien määrät olivat myös suurimmat. Monesti konfliktien syynä Afrikassa ovat riippuvuus luonnonvaroista, köyhyys ja epäonnistunut toiminta johdon puolelta. Tämä johtaa niin maiden sisäisiin kuin niiden välisiinkin konflikteihin.

Tietokantojen avulla voisi esimerkiksi tarkastella yhteyksiä konfliktien ja timanttikaivosten välillä, tarkastellen onko konflikteja tapahtunut timanttikaivoksen alueella sen löytämisvuoden jälkeen. Samanlaista alueellista tarkastelua voisi tehdä konfliktien ja öljykenttien löytämisvuosien välillä. Toisaalta kuten jo mainitsin, ei konfliktien esiintymistä voi pistää vain timanttikaivoksista tappelun piikkiin, vaan syitä konflikteihin on moninaisia. Myös Helmi Lappalainen-Imbert mainitsi tämän omassa blogissaan. Olisi myös kiinnostava päästä jollain tavalla tarkastelemaan konfliktien laajuuksien välistä yhteyttä alueen varallisuuteen, esimerkiksi juuri timanttikaivosten tuottavusluokitteluihin. Konfliktit voivat olla rahoitettu juurikin timantein Afrikassa.

Tulvaindeksi ja järvisyys kartalla esitettynä

Seuraavaksi tehtävänämme oli tehdä itsenäisesti esitys Suomen valuma-alueiden tulvaindeksistä ja lisätä myös järvisyysprosentit kartat diagrammeina. Tulvaindeksi saatiin jakamalla keskiylivirtaama keskialivirtaamalla, eli virtaavan veden ylimpien ja alimpien mitattujen arvojen keskiarvot jakamalla. Ylivirtaama siis tarkoittaa havaintojakson aikana mitattua suurinta virtaamaa, kun taas alivirtaama alinta mitattua tulosta havaintojaksolla. Tulvaindeksi näin ollen esittää virtaaman vaihtelua. Mitä suurempi tulvaindeksi, sitä suurempi vaihtelu on.

Lopputulokset näkyvät kuvissa 1, 2 ja 3. Minulle eniten ongelmia tuotti juurikin diagrammin laatiminen, sillä en aluksi saanut tehtyä järkevältä näyttävää karttaa. Hetken jos toisenkin painittuani asian kanssa huomasin, että järvisyyden sarakkeen tietotyyppi olikin string, joten vaihdoin sen desimaalinumeroiksi googlailulla löytämäni ohjeen avulla. Kuvassa 1 näkyvät Suomen valuma-alueet ja järvisyysprosentti pylväinä. Kuvissa 2 ja 3 olen esittänyt vielä järvisyyden ja maapinta-alan välisen suhteen ympyrädiagrammeina. Idean jakaa Suomi kahteen osaan ympyrädiagrammien paremman näkyvyyden vuoksi sain Annika Innasen blogista.

Kuva 1. Suomen valuma-alueiden tulvaindeksit ja pylväinä esitetty järvisyysprosentti. 

 

Kuva 2. Suomen eteläisten osien valuma-alueiden tulvaindeksit ja ympyrädiagrammina esitetty järvisyysprosentti.

Kuva 3. Suomen pohjoisosien valuma-alueiden tulvaindeksit ja ympyrädiagrammina esitetty järvisyysprosentti.

Päädyin käyttämään kartoissa sinisen sävyjä ja oranssia esittämään maapinta-alaa, selkeyden vuoksi. Olen tyytyväinen lopputulokseen ja mielestäni kartat ovat selkeitä, vaikkakin ympyrädiagrammeista osa on vieläkin liian pieniä. Toisaalta jos niitä olisi muokannut suuremmaksi, olisivat ne menneet liikaa valuma-alueiden rajojen yli. Itse pidän enemmän ympyrädiagrammeina esitetystä järvisyydestä, sillä sen merkitys on helpommin ymmärrettävissä. Järvisyys on siis järvien pinta-alan osuus koko valuma-alueen pinta-alasta.

On kiinnostavaa, että järvien osuus kokonaispinta-alasta ei ole useinkaan suuri siellä, missä tulvaindeksi on korkea. Odotin järvisuuden ja tulvaindeksin kasvavan käsi kädessä, mutta näin ei ole. Suurimmat järvisyysprosentit löytyvätkin sieltä, missä tulvaindeksi on matalin. Syynä tähän voisi olla se, että missä on enemmän järviä, vesi virtaa hitaammin, koska se kulkeutuu järvien kautta kohti merta. Sen sijaan vähäisten järvien valuma-alueilla virtaama on suurempi, koska vedellä ei ole montaa paikkaa ”varastoitua”. Myös maanpinnan muodot, sateisuus ja ihmisten toiminta (hulevedet) vaikuttavat virtaamaan ja tulvaindeksiin.

 

Lähteet:

Innanen, A., 2021. Harjoitus 3: Tulvaindeksikartta. Luettu osoitteessa https://blogs.helsinki.fi/anninnan/2021/02/04/harjoitus-3-tulvaindeksikartta/ 6.2.2021.

Lappalainen-Imbert, H., 2021. Kerta 3-Kun data ja kartta ovat erillään. Luettu osoitteessa https://blogs.helsinki.fi/laphelmi/2021/02/02/kerta-3-kun-data-ja-kartta-ovat-erillaan/ 14.2.2021.

 

 

Kuva 1. Mecatorin ja ETRSTM35 projektioiden pinta-alojen suhteita kuvaava kartta.

 Kartat onnistuivat aluksi mielestäni visuaalisesti hyvin. Ensimmäisessä kartassa monen eri värin käyttö ja selvät rajat saavat luokkien erot näyttämään suurilta. Lisäksi oranssi ja punainen väri sopivat hyvin kuvaamaan suurempaa vääristymää. Hieman itseäni häiritsevä asia näin jälkeenpäin karttaa tarkastellessa on se, että värien sävyt muuttuvat tummasta vaaleaan ja siitä takaisin tummaan. Kartan eteläisessä osassa oleva sininen olisi voinut olla haaleampi väriltään.

Typpipäästöistä tehty koropleettikartta

Ensimmäisellä luentokerralla käytimme valmista aineistoa, jonka muokkasimme määrälliseksi alueluokituskartaksi. Kartassa valmiina oleva tieto typpipäästöistä muokattiin sopivaan muotoon ja luokiteltiin niin, että jokaista luokkaa kuvasi eri väri. Tuloksena on kuvan 1 eri maiden typpipäästöjen prosenttiosuuksia esittävä kartta. Luennolla tehty harjoitus oli mielestäni vaikeustasoltaan sopiva, QGIS-ohjelmistoa ensi kertaa käyttäneenä. Se opetti perustaitoja ja tutustutti projektien luomisprosessiin. QGIS ohjelmistona näyttää sisältävän paljon ominaisuuksia, eikä itselleni aina ollut selkeää, mikä painike teki mitäkin. Luennolla selitettiin asiat kuitenkin selkeästi ja toistettiin tarvittaessa. Jouduinkin kysymään muutamaa asiaa useampaan kertaan, mutta luennon lopussa opetetut asiat tuntuivat jo helpoilta ainakin suurimmalta osin. Ensimmäiseltä luennolta opin perusasioita; attribuuttitietojen tarkastelua ja hieman niiden muokkaamista, sekä kartan ulkoasun muokkaamista.

Olen tyytyväinen luennolla tekemääni koropleettikarttaan (kuva 1). Verrattuna esimerkiksi CorelDRAWiin, jolla tein karttoja Tiedon esittäminen maantieteessä -kurssilla, oli legendan ja mittakaavan tekeminen nopeaa. QGISin attribuuttitaulukko ja sen muokkaaminen Field Calculatorilla olivat sellaisia työvaiheita, jotka tuntuvat hankalimmalta muistaa ja hallita näin jälkikäteen katsottuna, vaikka karttaa tehdessä eniten ongelmaa tuottivat kartan ulkonäölliset seikat.

Katsojalle, joka ei ole nähnyt aineistoa, selittää legenda mielestäni hyvin kartalla näkyvät värit. Typpipäästöjä kuvaava väri eroaa selkeästi muiden maiden vihreästä väristä, ja luokat on helppo erottaa toisistaan kartalla. Kartta 1 on luennon jälkeen tekemäni versio, jonka järvien väriä muokkasin ja johon lisäsin paikkojen nimiä. Huomasin, että jos lukija ei tiedä kartassa näkyviä maita nimeltä pelkästään karttaa katsomalla, ei kartassa ole oikein informaatioarvoa hänelle. Senpä takia tein luennon jälkeen kokonaan uuden kartan, kun aiempaa en sitten muistanutkaan tallentaa. Opinpa samalla tallentamisen tärkeyden silloinkin, kun luulee olevansa täysin valmis. Myöhemmin saattaa huomata, että työssä on vielä muokattavaa. Onnistuin kuitenkin parantelemaan karttaa ja mieleeni muistui myös asioita, jotka olivat ensimmäiseltä luentokerralta unohtuneet. Jouduin kertaamaan esimerkiksi sen, kuinka Itämeren maihin kuulumattomat maat saatiin takaisin näkyviin tekemällä duplikaatti alkuperäisestä tasosta. Näin ollen kartan uudelleen tekeminen oli hyödyllistä. Olin myös ennen toista yritystä lukenut muiden kurssilaisten blogeja ja Ville Väisäsen blogitekstistä lukiessani tajusin, miksi kartassani järvet näyttivät vievän niin paljon tilaa. Muutettuani ääriviivat läpinäkyviksi näytti lopputulos edellistä paremmalta.

Kuva 1. Itämerta ympäröivien maiden typpipäästöt prosentteina.

 

Karttaa tarkastellessa huomaa, että suurimmat päästöt ovat Puolassa ja sen jälkeen suurimmat päästöt löytyvät Venäjältä ja Ruotsista. Pienimmät päästöt ovat Virossa, kun taas Suomi on typpipäästöjen osalta Latvian kanssa samassa luokassa. Tämä tuli minulle yllätyksenä.

Itsenäinen harjoitustehtävä

Itsenäisen harjoitustehtävän tekemiseen oli muutamia vaihtoehtoja. Halusin kokeilla vaikeampaa vaihtoehtoa ja etsin netistä tiedon maidontuotannosta litroina kunnittain. Ensimmäisenä ongelmana tuli se, ettei QGIS suostunut avaamaan tiedostoa. Luennolla oli mainittu siitä, kuinka jotkin tiedostojen päätteet saattoivat olla hämääviä. Näin oli tässäkin tapauksessa, ja vaikka lataamani tiedoston päätteenä oli csv., ongelma korjautui kun avasin sen toisessa ohjelmassa ja tallensin sen uudella nimellä csv tiedostoksi. Onnistuin netin ohjeiden avulla liittämään tiedoston kuntakarttaan, mutta tuotujen tietojen muokkaaminen ei jostain syystä onnistunut. Päädyin parin päivän kokeilujen jälkeen toteamaan, että järkevintä on laskea vaikeustasoa ja tehdä kartta jo valmiiksi annetusta aineistosta. Kokeilin muutamia eri karttavaihtoehtoja, ennen kuin päädyin tekemään koropleettikartan eläkeläisten prosenttimääristä (kuva 2).

Kartasta näkee eläkeläisten prosenttimäärän olevan suuri varsinkin Itä-Suomessa, Keski-Suomessa ja Itä-Lapin seutukunnalla sekä Torniolaakson seutukunnalla. Pääkaupunkiseudulla määrä on luonnollisesti vähäinen. Vähäisiä määriä eläkeläisiä löytyy myös muualta Suomesta, mm. Oulusta ja Rovaniemeltä.

Kuva 2. Suomen kuntien eläkeläisten prosenttimäärät koropleettikartalla. 

Tähän karttaan olen ensimmäiseen karttaan verrattuna tyytyväisempi. Löysin tutkiessani erilaisia tyylejä pohjoisnuolta varten ja osasin tällä kertaa lisätä N-kirjaimen pohjoisen merkiksi. Koska kartalla ei ole muita elementtejä, kuten vesistöjä tai muita maita, esittää kartta mielestäni asiansa vielä paremmin. Päätin tässä välttää punaista, oranssia tai vihreää väriä, sillä ne antavat joko negatiivisia tai positiivisia mielikuvia esitettävästä ilmiöstä. Nyt karttaa tarkastellessa mietin, olisiko sittenkin ollut järkevämpi vielä muokata vaaleinta väriä toiseksi. Toisaalta olisin joutunut muokkaamaan kaikkia väriä asteen tummemmaksi, mutta toisaalta täysin valkoinen väri antaa itselleni sellaisen kuvan, että alueella on tyhjää. Ilman legendaa voisi esimerkiksi ajatella, ettei valkoisilla kunnilla ole ollenkaan eläkeläisiä, tai että tietoja eläkeläisten määrästä ei ollut saatavilla.

Samojen toimintojen kertaaminen vielä kolmannen kerran auttoi tuomaan unohdetut asiat mieleen ja myös pitämään luennolla opitut asiat muistissa.

Lähteet

KK1_Harjoitus 1 -materiaalit.

Väisänen, V., 2021. QGIS-hommat tulille. Luettu osoitteessa https://blogs.helsinki.fi/villvais/ 24.1.2021.