Kuukausi: tammikuu 2023

Moikka kaikki!

Tällä viikolla harjoittelimme aineistojen lisäämistä QGISiin rajapintojen kautta, sekä vertailimme pinta-aloja eri projektioissa ja visualisoimme niitä kartoiksi. Kurssikerran tehtävät olivat sinänsä helppoja, mutta sisälsivät monta välivaihetta, joten ohjeita kuunnellessa sai olla tarkkana. Minulla oli itsenäisesti kotona vaikeuksia aluksi muistaa, miten tunnilla opetellut asiat oikein tehtiinkään, mutta muutaman yrityksen ja erehdyksen jälkeen ne muistuivat mieleen.

Vertailin kolmea projektiota ETRS-TM35FIN-projektioon. Vertailussa on siis tarkasteltu, kuinka moninkertainen on projektion ilmoittama pinta-ala. Vertailuprojektioina käytin Mercatorin, Van der Grintenin ja Winkel tripel-projektioita. Kuvassa 1 vertailen Mercatoria TM35-projektioon. Kuvasta näkee, että vääristymät ovat suurimpia pohjoisessa.

Kuvassa 2 vertailukohteena on Van der Grintenin projektio. Olen käyttänyt samoja värejä ja samaa luokkamäärää kuin Mercatoriin verratessa, mikä ei ehkä ole se kaikkein havainnollisin tapa, sillä Van der Grintenin vääristymät ovat paljon pienempiä kuin Mercatorin. Tästä syystä kartat näyttävät hyvin samalta, vaikka todellisuudessa Van der Grintenin suurimmat vääristymät ovat pienempiä kuin Mercatorin pienimmät vääristymät.

Winkel tripel-projektion vääristymät ovat sitäkin pienempiä (kuva 3). Tämän vuoksi kokeilin erilaista karttaa: siinä on vain neljä luokkaa ja värit ovat sinisen sävyjä sen kuvaamiseen, että erot TM35-projektioon ovat hyvin pieniä.

Nämä kartat eivät siis ole kovin vertailukelpoisia keskenään, koska luokat ovat niin eri kokoisia. Yksistään ne antavat kuitenkin kuvaa siitä, miten projektio muuttaa pinta-alaa, ja miten ero kasvaa Suomen kohdalla etelästä pohjoiseen.

Mielenkiintoista oli lukea Kiian blogista sinusoidaalisesta projektiosta ja nähdä, miten kyseinen projektio vääristää pinta-aloja hyvin eri näköisesti kuin minun tutkimani projektiot (https://blogs.helsinki.fi/kiiakorp/). En ollutkaan tullut ajatelleeksi projektioita, jotka vääristävät vertikaalisessa suunnassa, joten Kiialle kiitos tästä mielenkiintoisesta esimerkistä.

Opin tällä viikolla paljon QGISin uusia toimintoja, etenkin aineistojen lisäämiseen ja uusien muuttujien tekemiseen liittyen. Tämä oli antoisa viikko, ja jos blogissani löytyi jotakin kiintoisaa niin mielelläni otan kommentteja ja kysymyksiä vastaan!

Lähteet:

Korpinen, K. (2023). Kurssikerta 2. Geoninformatiikan menetelmät 1 -blogi. Verkkosivusto. Viitattu 30.1.2023. https://blogs.helsinki.fi/kiiakorp/

Keskiviikkoaamun kurssikerta

Tällä viikolla keskiviikkoaamun kurssikerralla tutustuimme QGIS-ohjelman käyttöön ja visualisoimme paikkatietoaineistoa kartaksi. QGIS oli minulle ennestään hieman tuttu viime syksyn Geoinformatiikan perusteet-kurssilta, mutta runsaasti tuli uutta asiaa. QGIS vaikuttaa melko monimutkaiselta ohjelmalta: erilaisia toimintoja, paneeleja ja työkaluja on niin paljon, että minulla kestää varmasti kauan ennen kuin suuri osa niistä on hallussa. Kurssikerralla kuitenkin sai hyvät ja selkeät ohjeet perustoimintoihin, mikä lievensi hieman ohjelmaa kohtaan tuntemaani jännitystä.

Aineisto, jota kurssikerralla käsittelimme, oli HELCOM-maiden typpipäästöt. HELCOM-maat ovat Itämeren merellisen ympäristön suojelukomissiomaat. Koska päästöt oli tarkoitus visualisoida koropleettikartaksi, täytyi ensin laskea Statistics Panelin avulla suhteelliset osuudet HELCOM-maille. Koropleettikartalla kun ei saisi esittää absoluuttisia arvoja. Nämä suhteelliset osuudet esitettiin sitten kartalla (kuva 1).

Kuva 1. HELCOM-maiden suhteelliset osuudet Itämeren typpipäästöistä.

Kuvasta näkee, että Puola on suurin typpipäästöjen lähde, ja Viro sen sijaan pienin. Puolan suuri osuus oli sinänsä yllättävää, että myös Saksalla on paljon rantaviivaa Itämerelle ja se on suunnilleen Puolan kokoinen maa, mutta sen typpipäästöt ovat huomattavasti pienemmät. Tästä tulee mieleen, että Saksalla on ehkä käytössä vähäpäästöisempiä maatalousmenetelmiä kuin Puolalla.  Toisaalta Saksalla on rantaviivaa myös Pohjanmerelle päin, mikä saattaa vaikuttaa tulokseen.

Mielestäni tuottamani kartta on varsin selkeä, mutta joitakin pieniä parannuksia olisi tehtävissä. Olin esimerkiksi unohtanut pistemäiset typpipäästöhavainnot kartalle, niin että ne päätyivät lopputulokseen. Kartta olisi ehkä selkeämpi ilman niitä. Myös esim. mittakaavaa siirtäisin hieman alemmas ja vasemmalle, nyt se jäi hieman hassuun paikkaan.

Itsenäinen tehtävä

Itsenäisessä tehtävässä tuli liittää Suomen kunnat-kartta QGISiin ja visualisoida kuntatason dataa kartalle. Tarjolla oli eri vaikeustasoja, ja kunnianhimoisesti päätin kokeilla vaikeustaso 2:sta. Onnistuinkin löytämään ja lataamaan csv-muotoista kuntatason dataa Statfin-tietokannasta. En kuitenkaan monesta yrityksestä huolimatta osannut liittää sitä QGISiin. Ohjelma herjasi, että ”invalid data source”. Tämä oli erittäin turhauttavaa, sillä olisi ollut todella mielenkiintoista lisätä kunta-aineistoon lisää kiinnostavia muuttujia. Päädyin lopulta vaikeustaso 1:seen. Valitsin alle 15-vuotiaiden osuus -muuttujan. Kuvan 2 kartassa on esitettynä siis alle 15-vuotiaiden prosenttiosuus Suomen kuntien asukkaista.

Kuva 2. Alle 15-vuotiaiden osuus Suomen kuntien asukkaista prosentteina.

Kuvasta näkee, että eniten alle 15-vuotiaita lapsia näyttäisi olevan joissakin Pohjois-Pohjanmaan kunnissa sekä yhdessä Keski-Suomen kunnassa. Vähiten lapsia sen sijaan on monissa Itä-Suomen kunnassa. Voisi ajatella, että sellaiset kunnat houkuttavat lapsiperheitä, joissa on omakotitaloalueita ja ”maaseutumaista” rauhaa ja tilaa, mutta myös suhteellisen hyvin palveluja tarjolla. Jotkin Itä-Suomen harvaanasutut, vähäisempien palveluiden kunnat eivät täytä näitä kriteerejä, mikä näkyy ehkä kartalla siten, että idässä on selvästi vähemmän lapsia kuin lännessä. Lukiessani Joonan blogia (GIS menetelmät blogi – Joona Korhonen (helsinki.fi)) tajusin myös Pohjanmaan osuuksiin liittyvän alueen lestadiolaisuuden. Oli kiinnostavaa nähdä, miten Joona oli tutkaillut samaa muuttujaa ja tuonut esille asioita, joita itse en tehtävän tekohetkellä ollut tullut ajatelleeksi.

Tämä kartta on varsin selkeä, mutta nyt sitä katsoessani tulee mieleen, että kartan ja legendan olisi voinut rajata samalla tavoin kuin kuvan 1 kartassa. Muuten olen lopputulokseen tyytyväinen, ja odotan innolla että pääsen tekemään lisää karttoja.

Lisäys viikolla 3:

Nyt osaan liittää csv-taulukoita QGISiin! 😀 Opin sen viikolla 3. Tähän halusin siis lisätä vielä teemakartan Suomen työttömyydestä v. 2021 (kuva 3). Se oli yksi niistä muuttujista, jotka olisin halunnut lisätä kuntatietokantaan viikolla 1, mutta en vielä silloin osannut.

Kuva 3. Työttömyys Suomessa kunnittain 2021. (Lähde: Tilastokeskus)

Oi tätä oppimisen iloa!

Ensi kertaan!

 

Lähteet:

HELCOM (2022). About us. Verkkosivu. Viitattu 22.1.2023. https://helcom.fi/about-us/

Korhonen, J. (2023). Viikko 1. GIS menetelmät blogi. GIS menetelmät blogi – Joona Korhonen (helsinki.fi)

Tilastokeskus (2021). Statfin-tietokanta, 115b: Väestö alueen, pääasiallisen toiminnan, sukupuolen, iän ja vuoden mukaan, 1987-2021

 

Welcome to Blogipalvelut. This is your first post. Edit or delete it, then start blogging!