Auran blogi

Seitsemännellä kurssikerralla tarkoitus oli valmistaa oma kartta etsimillään aineistoilla. Tavallaan kyseessä oli kurssin aikana opittujen taitojen testaamista käytännössä – ikään kuin koe, jossa saa olla kaikki aineistot käytössä. Laadin kartan, jossa kuvaan teurastettujen eläinten määrää maailmassa vuonna 2021 sekä niiden jakautumista teuraslajeittain. Karttaan meni huomattavasti paljon enemmän tuskaa ja aikaa suhteessa lopputuloksen laatuun.

Kuva 1: Valmis kartta: Maailmassa vuonna 2021 teurastetut maaeläimet ja niiden jako maissa, joissa maaeläimiä teruastetaan absoluuttiselta määrältään eniten.

Työvaiheet

Aloitin työn tuomalla valmiin pohjakartan opendatasoftalta (World Administrative Boundaries). Tarkistin projektion: WGS 84 (EPSG: 4326) ennen kuin aloin tehdä mitään lisäyksiä tai muutoksia. Sen jälkeen toin Our World in Data -sivulta valitsemani aineiston CSV-muodossa QGISiin. Aineiston nimi oli Numer of land animals slaughtered for meat per year, 2021. Tietoa sisältyi aineistoon paljon, etenkin vuosittaisen tarkastelujakson vuoksi. Valikoin vuosien 1961-2021 tiedoista vuoden 2021 tiedot aggregate työkalulla ja ryhmittelin aineiston kohteen mukaan (entity) ja valitsin aggregates-kohtaan seuraavat: entity -> first value, code -> first value, year -> maximum value, toal -> sum. Ryhmittelyn jälkeen liitin aggregated-version pohjakarttaan joins työkalulla. Muokattuani asteikon välejä ja värejä siirryin etsimään toista aineistoa karttaan. Liitin karttaan Yearly number of animals slaughtered for meat, World, 1961 to 2021. Tarkoituksenani oli näyttää teurastettujen eläinten jakautuminen teuraslajeittain. Kaavioista ajattelin, että parhaiten sopisi piirakkakaavio.

 

Hankaluudet

Alueet aineistoissa eivät olleet valmiiksi suoraan valtion mukaiset. Teurastettujen maaeläinten määrä oli sama, vaikka valtion sisäisiä alueita oli ryhmitelty erilleen (esim. valtioihin kuuluvia suurempia saaria tai itsehallintoalueita). Toiseksi ongelmaksi koitui pyrkimykseni ilmentää kahta muuttujaa MAAILMANkartalla – kohteita on hieman liikaa, jos yrittää ilmentää kaikista muuttujan omaksi kuvaajakseen havainnollistettavaan muotoon samalle kartalle. 

Lopulta päädyin soveltamaan, koska en todellisuudessa tiennyt mikä olisi helpoin ratkaisu näiden ongelmien selvittämiseen. Siis, tein kopion kartasta ja poistin atribuuttitaulukosta kaikki kohteet, joiden piirakkakuvaajia en halunnut kartalle. Tässä meni paljon aikaa, sillä vahingossa muokkasin molempia (alkuperäistä ja kopioitua) ja suurin osa kaikista valtioista katosi. Aloitin vaiheet alusta, mutta jätin nuo vaillinaiset tasot vielä käytettäväksi. Toin pohjakartan uudestaan ja havainnollistin teurastettujen eläinten määrän koropleettikartaksi. Yhdistin alkuperäisen kartan piirakkakaaviot uuteen karttaani ja tadaa! … lopputulos näyttää ihan hyvältä. En kuitenkaan tiedä, miten olisin saanut piirakkakaaviot selkeämmin näkyviin nin, että ne vielä näkyisivät selkeästi kyseisen maan kohdalla. Osa kaavioista jäi myös päällekäin. Ehkä ensikerralla voisi harkita toisenlaista havainnollistamisyhdistelmää 🙂

Muiden blogeja lukiessani pohdin, olisiko ollut selkeämpää tehdä kartta rajatummalta alueelta, kuten yhdestä maanosasta tai valtion rajaamasta alueesta. Esimerkiksi Sinin kartassa ympyrädiagrammit tulevat selkeämmin ja havainnollisemmin esille, kun alue ei ole valtavan suuri ja kun digrammit mahtuvat sopivan kokoisina alueen sisälle.

 

Lähteet:

Häkkinen, S. (2024). Hitaasti mutta varmasti. Viikko 7: Viimeistä viedään ja muita höpinöitä. https://blogs.helsinki.fi/hasini/

Opendatasoft. World Administrative Boundaries – Countries and Territories. Ladattu 27.2.2024. https://public.opendatasoft.com/explore/dataset/world-administrative-boundaries/export/

Our World in Data. Number of land animals slaughtered for meat per year, 2021. Ladattu 27.2.2024. https://ourworldindata.org/explorers/animal-welfare?tab=map&facet=none&Metric=Animals+slaughtered&Animal=All+land+animals+%28total%29&Per+person=false&country=OWID_WRL~USA~CHN~IND~BRA~GBR~FIN

Our World in Data. Yearly number of animals slaughtered for meat, World, 1961 to 2021. Ladattu 27.2.2024. https://ourworldindata.org/meat-production

Kuudennen kurssikerran tarkoituksena oli nähdä kokonaisuudessaan datan yhteiskeräämisen prosessi sekä oppia tulosten interpolointia. Lisäksi harjittelimme muualta löytyvän datan muokkaamista muotoon, jossa se voidaan sijoittaa suoraan kartalle. Kurssikerta alkoi Artun lyhyellä luento-osuudella, jonka jälkeen lähdimme ulos keräämään aineistoa.  Kurssikerta oli erittäin miellyttävä, sillä kerrankin sai viettää neljästä tunnista edes osan poissa luokkahuoneesta ja ruudun ääreltä. Oli mielenkiintoista, kun tehtävä tuntui siltä, kuin olisi itse tekemässä muiden opiskelijoiden kanssa yhteistä tutkimustyötä Kumpulan alueen turvallisuudesta. Lisäksi aloitimme itsenäistehtävän tekemisen, jonka tarkoituksena oli siirtää ulkopuolisia lähteitä valmiille kartalle – tässä tapauksessa maanjäristyksiä eri vuosien ajalta.

Aineistonkeruu ja interpolointi

Latasimme puhelimiimme sovelluksen nimeltä Epicollect5. Noin tunnin kestävän kävelyn aikana Kumpulan alueella merkitsimme eri sijaintien koordinaatit ja sidoimme niihin ominaisuustietoa. Meille valmiiksi laaditut kysymykset liittyivät turvallisuuden kokemukseen (asteikolla 1-5). Keräsimme porukalla jokainen 8 havaintopistettä, joihin liitimme myös kuvat. Luokassa Paarlahti näytti meille tuloksia kartalla ja esitteli sovellukseen liittyviä toimintoja. Latasimme tallennetut tiedot QGISiin vamiille karttapohjalle. Seuraavaksi vuorossa oli interpolointi, jonka suoritimme IDW-toiminnolla (Inverse Distance Weighted interpolation). Interpoloinnilla pyritään arvioimaan olemassa olevien tulosten perusteella, mitä tyhjiin kohtiin tulisi (joissa ei ole mittaustietoja). Kuvassa 1 näkyy alkutunnista keräämiemme tulosten interpoloinnin jälkeinen karttatulos. 

Kuva 1: Interpoloinnin tulokset Kumpulan alueelta.

Hasardit ja niiden alueellinen esiintyminen

Viikon itsenäistehtävän tarkoituksena oli tuottaa kolme karttaa, joiden teemoina ovat hasardit. Aloitimme lataamalla tietoja maanjäristyksistä maailmalla osoitteesta eartquake.usg.gov. Valitsimme minimissään 6 magnitudilla ilmenneet järistykset vuodesta 1980 lähtien. CSV-tiedoston liittäminen sujui näppärästi, vaikka aluksi ihmettelin pisteiden muodostamaa minimaailmankarttaa joka koordinaatistoa vaihtamalla kuitenkin saatiin sijainniltaan oikeaan asentoon. Tein kolme karttaa eri vuosilta lähtien: 1980, 2000 ja 2020. Säilytin ehdon, että kartalla esiintyy vain yli 6 magnitudin järistykset.

Kuva 2: Yli 6 magnitudin järistykset maailmalla vuodesta 1980 lähtien.

Kuva 3: Yli 6 magnitudin järistykset maailmalla vuodesta 2000 lähtien.

Kuva 4: Yli 6 magnitudin järistykset maailmalla vuodesta 2020 lähtien.

Tarkastelin kartoilla tuhoisten maanjäristyksien esiintyvyyttä 20 vuoden välein vuodesta 1980 lähtien. Aineiston käyttö soveltuisi hyvin opetukseen, sillä se sekä visualisoi järistyksen sijainnit maailmankartalla että havainnollistaa järistysten esiintyvyyttä ajallisesta perspektiivistä.

En laittanut karttoihin mittakaavoja, pohjoisnuolta tai legendoja, sillä aluksi en saanut mittakaavaa lisättyä, jolloin kuvittelin että tarkoituksena on vain ottaa kuvankaappaus harjoituksista. Paremmat visualisoinnit selkeän informatiivisuuden kannalta olisi kuitenkin paikallaan. Opettajana olisi hyvä visualisoida kartat karttojen näköiseksi kaikilla tarpeellisilla tiedoilla, jottei opiskelijat tekisi samaa virhettä kuin itse tein – legendattoman eli epäselvän kartan.

Kartoilla olisi mahdollista opettaa tulivuorien sijaintia sekä sijaintien yhteyttää esim. laattatektoniikkaan, tulivuorien sijaintiin ja muihin järistyksiä aiheuttaviin tekijöihin, kuten maan kohoaminen. Litosfäärilaattojen rajojen lisääminen karttaan, kuten Heikki on tehnyt, havainnollistaisi oivasti manjäristysten yhteyttä laattatektoniikkaan. Opettajan roolissa toki olisi hyvä myös selventää, mitä karttaprojektiota olen käyttänyt ja miksi, ja onko karttaprojektion valinnalla vaikutusta esittämäni tiedon pätevyyteen.

Kuva 5: Wikipediasta tuotu kartta maanjäristyksistä 1900-2017.

 

Lähteet:

Kuvalähde: Phoenix7777 (2018). Map of Earthquakes 1900-2017. Wikipedia commons. Data source: Search Earthquake Archives, USGS. https://commons.wikimedia.org/wiki/File:Map_of_earthquakes_1900-.svg 

Säntti, H. (2024). Heiggi’s Blog. Kuudes kurssikerta. Viitattu 13.3.2024. https://blogs.helsinki.fi/hksantti/2024/02/20/kuudes-kurssikerta/

 

Viidennellä kurssikerralla harjoittelimme bufferointia eli vyöhykkeen luomista. Bufferointia voidaan käyttää esimerkiksi etäisyyksien ja lukumäärien laskemisessa. Bufferointia voidaan käyttää erilaisten analyysien tekoon, joissa tarkoituksena on tarkastella tietyn kohteen vaikutusaluetta. Tällä kurssikerralla harjoittelimme lentokentän ympäristöön liittyviä meluhaittoja bufferointi-työkalulla. Sen lisäksi, kuten Syrjänen (2024) mainitsee blogissaan, voidaan bufferointia käyttää konkreettisempiinkin esimerkki tarkasteluihin, kuten ensiavun saatavuusnopeutta tietyllä alueella. Aloitimme kuitenkin siitä, mihin jäimme edelliseltä kurssikerralta. 

Ehdin kurssikerralla tehdä harjoituksen 1 liittyen Malmin sekä Helsinki-Vantaan lentokenttiin.  Tällä kertaa istuin yksin takana, enkä oikein saanut kysyttyä pienellä kynnyksellä apua – kuitenkin pahimmissa umpisolmuissa tohdin kysyä apua Paarlahdelta.

Harjoitus 1: Malmin lentokenttä

Ensimmäinen tehtävä liittyi lentokenttiin ja lentoliikenteestä aiheutuvan melun tarkastelemiseen lentokenttien lähialueen asutukseen vaikuttavana tekijänä. Aloitin piirtämällä Malmin lentokentän QGIS:n piirtotyökalulla. Piirsin vain kiitoradat, jotta bufferi kertoisi luotettavammin melualueen laajuden.  

Bufferini näytti ensin oudolta ja jätti keskelle kolmion muotoisen aukon. Toistin bufferin teon useasti uudelleen, mutten saanut oikean näköistä bufferia. Kysyttyäni apua Artulta selvisi että bufferin outo muoto oli piirtotyöni seurausta. Lentokenttä oli piirtynyt kaukaa katsottuna hyvin, mutta läheltä tarkasteltuna pystyi huomaamaan, että yhdessä kulmassa oli erikoinen lenkki, joka rajasi pienen kolmion erääseen kulmaan. Tämä aiheutti bufferin oudon muodon. 2 kilometrin säteellä Malmin lentokentän kiitoradasta asuu noin 58 494 asukasta (kuva 2). Kuvassa 1 näkyy tekemäni bufferointi. Toistin bufferoinnin, mutta tällä kertaa 1 km sätellä, ja sain tulokseksi 9 040 asukasta (kuva 3 ja 4). 

Kuva 1: Bufferointi 2 kilometrin säteellä Malmin lentokentästä asuvien kohteista.

Kuva 2: 2 kilometrin säteellä asuvien määrä.

Kuva 3: Keltaisella 1 kilometrin säteellä asuvien bufferi.

Kuva 4:  1 kilometrin säteellä asuvien määrä.

QGIS:in käyttöä rajoittaa mm. se, millaista dataa on saatavilla ja mitä aineistoja on käytettävissä. Nyt meillä oli käytössä monipuolista paikkaan sidottua dataa, minkä vuoksi bufferointi sujui ilman omaa soveltavaa kättä. 

Helsinki-Vantaan lentokenttä

Aloitin tehtävän tutkimalla, kuinka monta ihmistä asuu Helsinki-Vantaa lentokentän pahimmalla melualueella (65dB). Valitsin lentomelutasosta 65 dB ja tein siitä uuden tason. Tarkastelin tason tietoja summa-työkalulla.  Asukkaiden määräksi sain 303, jonka suhteutin Vantaan väkilukuun ja sain tulokseksi, että pahimmalla melualueella asuu n. 0,5 % Vantaan asukkaista.

Kuva 5: Asukkaiden määrä Helsinki-Vantaan lentokentän pahimmalla melualueella (65 dB).

Ymmärsin tehtävänannon aluksi väärin ja olin ymmälläni siitä ihan suotuisan tovin. Luulin, että tehtävänannon “tutki kuinka monta prosenttia edellisen kohdan asukkaista”  viittasi Malmin lentokenttätehtävään, minkä vuoksi pohdin, mitä järkeä on yrittää tarkastella Malmin lentokentän bufferin asukkaiden yhteyttä lentomeluvyöhykkeeseen, kun ne eivät edes koske toisiaan. Tässä vaiheessa olisin varmasti päässyt nopeammin eteenpäin, kun olisin nopeammin kysynyt apua väärinymmärryksen selättämiseksi.

Valitsin Select by attribute työkalulla lentomelutasoltaan yli 55 desibelin alueet eli käytännössä melualueet 55, 60 ja 65. Statistics työkalulla jälleen laskin asukkaiden summan ja sain luvuksi 11 923. Lopuksi tehtävänä oli selvittää aikaisemmin käytössä olleen kiitoradan melualue ja sen vaikutusalue asukkaiden suhteen. Loin uuden Scratch Layerin ja piirsin kiitoradan (kuten olin piirtänyt Malmin kiitoradan). Sain sujuvasti luotua bufferin ja Select by Location työkalun avulla selvitin asukkaiden määrän.

Taulukko 1: Tehtävien perusteella saamani asukasluvut taulukossa.

Tämänhetkinen osaamiseni

En saanut kaikkia tehtäviä tehtyä, sillä sovelluksen käytön harjoittelu vie minulta valtavasti voimavaroja enkä muiden kurssien ja muun elämän ohella kykene tekemään annettua määrää tehtäviä. Ajallisesti minulla menee kauan etsiä mistä mikäkin toiminto tuleekaan käyttöön, kun selkeitä ohjeita kompaktissa muodossa on hankala löytää. Tuskastumisien määrä valloittaa usein niin, että pienistä onnistumisista iloitseminen on nopeasti ohimenevää.

 

Lähteet:

Syrjänen, S. (2024). Stella’s blog. Viitattu 19.2.2024. https://blogs.helsinki.fi/stellasy/

 

Neljännellä kurssikerralla syvennyimme piste– ja ruutuaineistoihin. Lyhyesti esiteltynä, pisteaineistot ovat tarkimpia paikkatietoaineistoja ja niiden avulla on mahdollista kerätä tietoa erittäin monipuolisesti eri kohteista. Kun tarkoitus on kerätä tietoa eri tarkkuuksilla oleville esittämistasoille, ovat pisteaineistot yleisesti lähtöaineistona. Myös ruutuaineistot pohjautuvat usein pisteaineistona tallennettuun aineistoon. Ruutuaineistot soveltuvat hyvin ilman valmista aluejakoa olevan alueellisen tiedon keräämiseen. Pisteaineistoista käsittelimme kurssikerralla laserkeila-aineistoja, jotka muodostavat kaikkein tarkimman pisteaineiston. Mielestäni on motivoivaa, että teoreettisen ja teknisen osuuden lisäksi kurssin tehtävistä annetaan konkreettisempia esimerkkejä, kuten tällä viikolla Guatemalan viidakosta laserkeilauksella löydetyt rakennukset.  

Tehtävä 1: Ruututeemakartta 

Aloitimme luomalla aineistolle ruudukon, sillä Paarlahden mukaan aineistomme oli niin yksityiskohtainen ja täynnä dataa, että se olisi kartalla muutoin vaikea havainnollistettavasti esittää. Ruudukon luonti sujui nätisti ja näppärästi! Seuraavaksi avasimme pääkaupunkiseudun väestön pisteaineiston, jossa jokainen piste on rakennus, jossa asuu vähintään yksi ihminen. Yhteensä pisteitä oli hurjat 94 594. Aineisto oli tarkka ja sisälsi paljon tietoa, kuten osoitteen, rakennustyypin ja sen käyttöönottovuoden sekä asukkaiden iän, sukupuolen ja kansalaisuuden. 

Seuraavaksi valitsimme sijainnin perusteella ruudukosta kohteita. Tarkoituksena oli karsia juuri luomaamme ruudukkoa niin, että vain ruudut, joissa on pisteitä, jää jäljelle. Lisäksi karsimme pisteitä niin, että jäljelle asumistiedoista jäi vain tiedot asukkaiden määrästä yhteensä sekä tiedot ulkomaalaisten, ruotsinkielisten ja muun kielisten määristä. Karsinnan myötä voidaan keventää aineistoa, jotta tulevat laskuoperaatiot sujuvat tehokkaammin. Lopuksi laskimme muuttujien summat kaikkien pisteiden osalta.  

Karsittuamme aineistoa oli aika valita ruututeemakartalla esittämämme muuttuja. Harjoittelimme ruotsinkielisen väestön avulla. Keskeinen huomio oli esitystavan valinta: absoluuttisina lukuina (kuva 1) vai suhteessa muuhun väestöön (kuva 2).  

Kuva 1: Ruututeemakartta ruotsinkielisten määrästä pääkaupunkiseudulla absoluuttisilla luvuilla.

Kuva 2: Ruututeemakartta ruotsinkielisten suhteellisesta määrästä pääkaupunkiseudulla. 

Kuvissa 1 ja 2 ruutukoko on neliökilometrin kokoinen. Kokeilin eri ruutukokoja, mutta päädyin säilyttämään tämän koon, sillä se havainnollistaa teemaa tarpeeksi tarkasti säilyttäen kuitenkin selkeyden. Ruutukokoa muuttamalla voidaan vaikuttaa kartan tulkitsijan käsitykseen kustakin ilmiöstä, pienellä ruutukoolla saadaan yksityiskohtaisempaa tietoa ja suuremmalla yleistetympää tietoa. Yleistämisen sopiva raja voi olla hankala hahmottaa, kun ei ole karttaportfoliossaan vielä paksua nippua.

Kysymys absoluuttisista ja suhteellisista luvuista on kuitenkin jokseenkin selkeä. Absoluuttisilla luvuilla ilmiöt on hankalampi erottaa, jos muuttujia ei kuvata asuhteessa toiseen muuttujaan. Jos absoluuttisia lukuja käytetään, voi helposti langeta sudenkuoppaan ja todeta ilmiön mitättömäksi. Absoluuttisilla luvuilla ei esimerkiksi erotu ruotsinkielisen väestön suhteellisen suurta osuutta alueen itäisissä, lounaisissa ja luoteisissa osissa. Toisaalta absoluuttisilla luvuilla voidaan kuvata asioita, joita ei ole tarkoitus suhteuttaa toiseen muuttujaan, esimerkiksi informoida jonkin alueen väestömäärä.

Ruututeemakartassa pidän siitä, ettei ilmiötä tarvitse tarkastella valmiiksi määriteltyjen aluejakojen mukaan. Tehtävässä, toki, tarkastelimme uuden maan aluetta, joka rajautui kuntien mukaan, mutta alueen sisällä ilmiön tarkastelu ei ollut esim. kaupunginosittain. Toisin sanoen ruututeemakartalla on mahdollista tarkastella ilmiöitä rajatylittävästi.

Laura Siltala (2024) on kuvannut hyvin blogissaan ruututeemakartan informatiivisuutta. Hän kirjoittaa siitä, kuinka verrattuna koropleettikarttaan, ruututeemakartta tuo heikommin esiin alueiden väliset erot. Mielestäni tämä on hyvä huomio, sillä tiedon esittäminen ilman rajojen muodostamaa hallintoaluetta, voi tuoda haasteita ihmiselle, joka on tottunut tarkastelemaan ilmiöitä tiettyjen tunnettujen aluerajausten mukaan. Toki voidaan miettiä myös kriittisiä puolia tälle esittämistavalle, ja kysyä miksi kaikki tulee aina rakentaa hallinnollisten rajojen pohjalta ja täten hahmottaa tiettyjen rajojen kautta? En kuitenkaan pidä ruututeemakarttaa sen parempana ilmiöiden “luonnollisten” rajojen havainnollistajana. Ilmiöiden kuvaaminen neliöinä tuntuu intuitiivisesti liian yksinkertaiselta ja palikkamaisen kankealta.

Ruututeemakartta on informatiivinen, mutta kuten Siltala kirjoittaa on niitä todennäköisesti helpompi lukea harjaantuneella silmällä. Myös Jaakkola (2024) tuo blogissaan esille sen, että ilman alueen syvempää maantieteellistä hahmottamista, voi ruututemakartan lukeminen olla vaikeaa. Vaikka pidänkin rajatylittävästä ominaisuudesta teoriassa, en käytännössä pidä ruututeemakartan visuaalisesta ilmeestä tai sen palikkamaisesta tiedon alueellisesta jakamisesta.

Tehtävä 2: Rasterikuva-aineisto 

Harjoituksessa 2 käsittelimme rasteriaineistoja, joiden kanssa emme olekaan vielä tällä kurssilla leikkineet. Tarkoituksenamme oli laatia vinovalovarjostettu korkeusmalli peruskarttalehden taustalle. Tarkasteltavana alueena oli Pornaisten alue, jonka peruskarttalehden taustalle halusimme toiminnollamme tuoda sävyjä. 

Kuva 3: Vinovalovarjostettu Pornaisten alue QGIS-näkymässä.

Kuva 4: Esimerkki vinovalovarjostetun aineiston ja Pornaisten pohjakartan yhdistelmän tuloksesta.

Kuva 5: Esimerkki Pornaisten kartalle laatimistamme korkeuskäyristä.

Kurssikerran lopussa valmistelimme karttaa seuraavaa kurssikertaa varten. Samalle Pornaisten kartalle piirsimme tiet vektoritasolle ja merkitsimme talot Scratch-layerille. Lopputunti oli siis vain näpyttelyä ja silmien kuivumista.

Kuva 6: Pornaisten kartalle rajattu alue, jonka sisälle piirsimme teitä ja merkitsimme asuinrakennuksia. 

Yleistunne kurssista neljännen luennon jälkeen

Olotilaani kurssilla kuvaa hyvin Miskan kommentti: “Toivon joskus, että opetuksen voisi laittaa kaksinkertaiselle nopeudelle kuten Youtube-videon. Välillä taas pienikin keskittymisen herpaantuminen voi pakottaa kysymään kaverilta, mitä nappia opettaja painoi viisi sekuntia sitten”. On vaikea pysyä neljä tuntia keskittyneenä, vaikka parin tunnin jälkeen onkin lyhyt tauko. Harhailen välillä ajatuksissani tai koneella tekemään muuta kun odotan seuraavia ohjeita, ja yhtäkkiä tajuan, että olemme siirtyneet eteenpäin. Toisinaan yritän lukea ohjeita, jotta voisin itse kokeilla seuraavia vaiheita, mutta ohjeet usein ovat eri järjestyksessä tai sisällöltään hieman opetuksesta poikkeavia, minkä vuoksi en hahmota kunnolla tehtävänantoa.

QGIS tuntuu edelleen hankalalta. Välillä muistuu mieleen, että hei tällehän voisi tehdä tätä tai tuota, mutta itse toimintojen muistaminen (yksityiskohtaisista säädöistä puhumattakaan) on vaikeaa. Alan siis jossain määrin hahmottamaan joitain toimintoja ja sovelluksen mahdollisuuksia, mutta toimintojen huono muistaminen ja käyttöön soveltaminen saa minut tuntemaan oloni orvoksi.

 

Lähteet:

Pihlajaniemi, M. (2024). Pmiska’s Blog. Neljäs luento. Viitattu 21.2.2024. https://blogs.helsinki.fi/pmiska/

Siltala, L. (2024). Lauran blogi. Neljäs kurssikerta. Viitattu 21.2.2024. https://blogs.helsinki.fi/lesiltal/2024/02/07/neljas-kurssikerta/

Jaakkola, T. (2024). Taikamatkalla GIS-velhoksi. Tiedon esittäminen ruututeemakartalla. Viitattu 21.2.2024. https://blogs.helsinki.fi/jztaika/

Kolmannen kurssikerran harjoituksen tarkoituksena oli oppia liittäämään valmiiseen tietokantaan muuta tietoa. Kurssikerralla lisäsimme valmiiseen Afrikan valtiot sisältävään tietokantaan lisätietoja, mm. väestömäärän. Ennen tietojen lisäämistä harjoittelimme tietokannan muuttamista yksinkertaisemmaksi, tässä tapauksessa saman valtion sisällä olevien kohteiden yhdistämistä yhdeksi valtiokohteeksi. Kurssikerran itsenäisessä tulvaindeksikartta-tehtävässä tarkoituksena oli hyödyntää opittuja yhdistämisen ja lisäämisen taitoja.

Teemakarttaharjoittelua – Afrikka

Aloitimme kurssikerran yhdistelemällä tietokannan yksittäisiä kohteita, jotta voisimme selkeyttää kartalle lisättävien muiden tietojen yhteyksiä sijainnin suhteen. Esimerkkikartalla Afrikan mantereesta, kohteita oli useampia kuin Afrikan virallisia valtioita. Tarkoituksena oli siis yhdistää kohteet maittain, jotta halutessamme voisimme visualisoida teemakartalla eri aiheita valtiotasolla.

Testasimme kolmea eri toimintoa: select features by value, dissolve ja aggregate. Ensimmäinen toiminto ei onnistunut, syystä tietämättömästä, mutta kjälkimmäiset toiminnot onnistuivat. Aluksi pinta-aloja laskiessamme sähelsin niin, etten melkein pysynyt tehtävänannossa mukana. Lopulta syy sähellykseen selvisi: sain pinta-alan vain Egyptissä sijaitseville kohteille, sillä en ollut poistanut valintaani Egyptin alueista (ensimmäistä ydistävää toimintoa kokeillessamme). Tallensimme jatkokäyttöä varten “aggregated”-version, jossa aineiston sijainnit olivat valtion nimen mukaan liitetty toisiinsa. Kohteita uudella tasolla oli nyt siis 53.

Seuraavaksi toimme kartalle viikon aineistoista Excel-tiedoston (africa_population_internet_2020). Muunsimme taulukon CSV-tiedostomuotoon, jotta se voitaisiin helposti tuoda QGIS:iin. Tarkoituksena oli liittää Excel-tiedostosta valtiottaiset väestömäärät jo tuotuun Afrikka-tasoon. Tämä onnistui “joins”-toiminnon kautta, eikä aiheuttanut suurta päänvaivaa. Uudelle Afrikka-yhdistetty-tasolle siirsimme sen jälkeen lisää tietokantoja, esimerkiksi konflikteista, timanttikaivoksista ja mantereen öljylähteistä.

Seuraavaksi siirryimme minulle henkilökohtaisesti mielenkiintoisimpaan ja eniten motivoivaan vaiheeseen. “Count points in polygon”- toiminnon avulla mm. laskimme kuinka monta timanttikaivosta kussakin kohteessa (valtiossa) ja kuinka monta konfliktia kussakin valtiossa tapahtuu. Olin tästä toiminnosta hyvin ilahtunut, sillä esimerkkiaiheemme Afrikan mantereen luonnonvarojen ja konfliktien sijainneista ja yhteyksistä on painava ja ajankohtainen aihe. Tarkastellessamme valtiotasolla timanttikaivosten ja konfliktien määrää havahduin ensimmäistä kertaa siihen, että mielestäni olisi aidosti hienoa osata käyttää QGIS:siä taitavammin. Yllättäen ominaisuuden oppiminen auttaa minua tällä hetkellä myös toisella tässä periodissa käymälläni kurssilla. Kehitystutkimuksen Globaalin Etelän yhteiskuntarealiteetit -kurssilla käsittelemme dekolonisaation teeman yhteydessä myös ja erityisesti Afrikan maiden luonnonvaroja ja konflikteja, niiden keskinäistä suhdetta sekä niiden suhdetta geopoliittisiin liikkeisiin.

Laskimme vielä, kuinka monta konfliktia kussakin valtiossa tapahtuu per vuosi, jotta selventäisimme konfliktien historiallista aikajanaa. Kuinka monen vuoden aikana on tapahtunut konflikteja? Onko yhteyttä timanttikaivosten perustamiseen? Toisen kurssin aiheiden parista voisin kysyä lisäksi, vaikuttaako ulkomaalaisten yritysten, kuten timanttikaivosten, maahantulo paikallisten yhteiskunnalliseen elämään? Aiheuttaako timanttikaivos ongelmia paikallisen kulttuurin ja sosiaalisen todellisuuden perinteiselle toiminnalle? Aiheutuuko tästä paikallisten ja (valtion) hallinnon välille konflikteja?

Kuva 1: Harjoitteluaineiston pohjalta havainnollistava kartta tarkastelun alla olleista aiheista. 

Tehtävänannossa oli lisäksi pyydetty pohtimaan, mitä muuta tiedoilla voisi tehdä tai päätellä, kun tietokannoista löytyy lisää muuttujia, kuten konfliktien tapahtumavuosi tai laajuus, timanttikaivosten kaivausten löytämisvuosi tai tuottavuusluokittelu, öljykenttien löytämisvuosi tai tuottavuusluokittelu, jne? Konfliktien laajuuden ja alkamisvuoden avulla voisi ainakin tarkastella niiden suhdetta timanttikaivosten tai öljykenttien perustamiseen, mihin jo aikaisemmin viittasin. Kaivosten tai öljykenttien perustaminen voi toki tuoda alueella myös vaurautta ja vakautta, esimerkiksi timanttien louhinta on nostanut Botswanan taloudellisesti jaloilleen, eikä ole aiheuttanut alueella suuria vuodesta toiseen toistuvia konfikteja vaan valtiossa vallitsee demokratia ja ilmeisesti myös koulutusaste on hyvä. Tämä onkin hyvä esimerkki siitä, miten alueen ongelmille yhden tekijän muuttuminen ei välttämättä aiheuta samoja seurauksia kuin toiselle alueelle, jossa voi olla jo valmiiksi muita konfliktiherkkiä aiheita kasautumassa.

Tuottavuusluokittelun avulla voitaisiin tarkastella esim. alueen tai valtion korruptiota. Jos alueella tapahtuu paljon konflikteja samaan aikaan kun esim. timanttikaivosten tuottavuusluokittelu on korkea, on hyvin mahdollista, että kansalaiset kapinoivat korruptiota vastaan ja valtio yrittää tukahduttaa kapinoita. Toisaalta ilman tarkempaa tutkimusta, ei muuttujien välille voida vedää selkeitä kausaalisuhteita. Internetkäyttäjien lukumäärän avulla voidaan suorittaa analyysia siitä, millainen valtion yhteiskuntamuoto ja elinkeinorakenne mahtaisi olla. Todennäköisesti valtiot, joissa internetkäyttäjien lukumäärä on korkea, ovat myös kaupungistuneempia ja yhteiskuntamuodoltaan modernisaatioon enemmän kallellaan ja teknologiseen kehitykseen nojaava. Muuttujilla voisi spekuloida vaikka mitä, mutta ehkä tässä vaiheessa nimenomaan vain spekuloida, eikä vetää selkeitä johtopäätöksiä!

Tulvaindeksi-harjoitus

Kurssikerran loppupuolella aloitimme itsenäisen harjoituksen tekemisen, jossa hyödynsimme opittuja yhdistämisen ja liittämisen taitoja. Yllättäen hyvin eri toiminnot palasivat mieleen, ja koinkin hyväksi, että olin ottanut keskeisistä toiminnoista muistiinpanoja itselleni. Toisaalta tuntuu, että joitain toimintoja on käyttänyt jo kahdella edellisellä kurssikerralla, joten niiden käyttäminen tuntuu hieman aikaisempaa luontevammalta. Tehtävämme tavoitteena oli vertailla Suomen vesistöalueiden valuma-alueominaisuuksia ja tulvaherkkyyttä. Havainnollistimme tulvaindeksin eli ylivirtaaman ja alivirtaaman suhteen koropleettikartalle (kuva 2).

Sain tehtävän sujumaan ylättävän näpsäkästi, kun teimme sitä toisiamme auttaen Stella Syrjäsen kanssa. Kuvassa 2 on visualisoitu Suomen alueella olevat valuma-alueet sekä niiden tulvaindeksit. Kartalla tummempi sinisen sävy kertoo tulvaindeksin olevan alueella korkeampi. Korkean tulvaindeksin alueet sijaitsevat lähinnä Etelä-Suomessa ja läpikauttain Pohjanmaalla. Tulvariskiin vaikuttaa alueen läheisyys mereen, lumilaskeuman määrä sekä lumen sulamisen nopeus. Myös Syrjäsen (2024) mainitsema alueen tasaisuus voi vaikuttaa tulvaindeksin korkeuteen. Karttaa tarkastellessa voidaan havaita, että tulvaherkille alueille yhteistä rannikkoisuuden ja pinnanmuotojen lisäksi vähäinen järvisyys. Pohjoisessa Utsjoesta lounaaseen sijoittuvalla alueella tulvaindeksin korkeutta ei kuitenkaan selitä samat mainitsemani tekijät. Kuivalla erämaa-alueella tulvaherkkyyttä voisi mahdollisesti selittää routainen maaperä, joka ei keväisin lumen sulaessa imeytä yhtä tehokkaasti vettä.

Kuva 2: Tulvaindeksikartta Suomen alueelta.

 

Lähteet:

Syrjänen, S. (2024). Stella’s blog. 3 Viikko, Afrikka. https://blogs.helsinki.fi/stellasy/

 

Toisen kurssikerran harjoituksen tarkoitus oli oppia käyttämään ja käsittelemään eri tietokantoja QGIS-ohjelmistossa sekä tarkastella projektion vaikutusta karttaan ja sen mittoihin.

Aloitimme kurssikerran kokeilemalla erilaisia valintatyökaluja, joita voisimme hyödyntää aineiston tarkastelussa. Kokonaisten tietokantojen käyttäminen voi olla tarpeetonta, minkä vuoksi valintatyökaluja voi hyödyntää tietyn karttaikkunasta valitun kohdejoukon  tarkasteluun tai esimerkiksi luoda uusia tietokantoja valintojen pohjalta. Tunnilla rajasimme alueen ja tallensimme sen uutena layerina käyttöön.

Projektion valinnan merkitys

Ison osan kurssikerrasta käytimme erilaisten mittaamisten tekemiseen. Kuten Aapeli Leppä (2024) toteaa blogissaan, on kartantekijän oltava karttaprojektioiden vääristymistä tietoinen, sillä eri karttaprojektioiden käyttö voi olennaisesti muuttaa kartalla esitetyn tiedon paikkansapitävyyttä.

Ensimmäisessä tehtävässä mittasimme Pohjois-Suomesta eri kokoisten alueiden pituutta ja pinta-alaa eri projektioita käyttäen. Vertailukohtana toimi ETRS89-TM35FIN vaakasuoraan Mercatorin projektioon, joka on yleisesti käytössä Suomessa eri paikkatietojärjestelmissä ja joka on suhteellisen tarkka luonnollisten pituuksien osalta Suomen kartalla. Kirjasimme tuloksia ylös Excel-taulukkoon (taulukko 1).  Projektioita oli valikossa kuin karkkikaupassa, ja tuntui pyörryttävältä rullailla listaa ja etsiä tutun kuuloista projektiota joka myös soveltuisi tehtävänantoon. Kokeilin Robinsonin projektiota, joka on tavallaan “kompromissiprojektio”, sillä se ei ole oikeapintainen tai -kulmainen vaan pyrkii sisältämään mahdollisimman pieniä virheitä niin pinta-aloissa kuin suunnissa. Tavallaan sama idea on Winkel tripel -projektiolla, joka pyrkii minimoimaan kolmea (tripel) projektiossa ilmenevää vääristymää. Lisäksi kokeilin Pattersonin projektiota, joka antoi hulluja tuloksia verrattuna muihin kokeilemiini projektioihin. Epäilyttää, teinkö tässä vaiheessa jotain väärin vai ovatko erot todella noin suuria. Viimeiseksi kokeilin vielä Natural Earth -projektiota, joka tuloksiltaan oli hyvin lähellä Winkel tripel -projektiolla saatuja tuloksia.

Taulukko 1: Excel-taulukkoon ylöskirjatut mittaustulokset eri projektioiden mitta-eroista. 

Projektioiden erojen ilmentäminen kartalla

Toinen keskeinen osa kurssikertaa oli projektioerojen havainnollistaminen karttapohjalle. Ensimmäisessä kartassa vertailin Mercatorin projektiota ETRS89-TM35 -projektioon, toisessa Winkel tripel -projektioon ja kolmannessa Robinsonin projektioon. Halusin saada aikaan kartat, joita voisin vertailla vielä keskenään, joten asetin saman värispektrin ja luokitteluasteikon asetuksen (luonnolliset välit, 8). Lopputuloksena kaikki kartat näyttivätkin samalta. Teinkö siis jotain väärin vai ovatko erot niin pieniä?

Kuva 1: Mercatorin projektion mittakaavavirhe suhteessa TM35FIN -projektioon Suomen kartalla (%).

Kuva 2: Winkel tripel -projektion mittakaavavirhe suhteessa TM35FIN -projektioon Suomen kartalla.

Kuva 3: Robinsonin projektion mittakaavavirhe suhteessa TM35FIN -projektioon Suomen kartalla.

Lopputunnista olin aivan poikki neljän tunnin puurtamisesta. Tietokoneen näyttöä tuijottaminen ja koko ajan ohjeiden mukana pysyminen käy koville. Toivoakseni pian alan muistaa eri toimintoja, jotta voi tehdä sujuvammin myös itsenäisesti tehtäviä. Positiivinen kehitys oli se, että tippuessani ohjeiden selostuksesta, löysin itse takaisin mukaan! Eli osasin päätellä joitain toimintoja, hurraa!

 

Lähteet:

Leppä, A. (2024). Toinen kurssikerta – Karttaprojektioita ja mittakaavavirheitä. Viitattu 25.1.2024. https://blogs.helsinki.fi/aapleppa/2024/01/23/toinen-kurssikerta-karttaprojektioita-ja-mittakaavavirhetta/

Esri. n.d. Coordinate systems, map projections, and transformations. Supported map projections. Viitattu 25.1.2024. https://pro.arcgis.com/en/pro-app/3.1/help/mapping/properties/winkel-tripel.htm

 

Geoinformatiikan menetelmät 1-kurssin ensimmäisellä kurssikerralla kertasimme paikkatiedon perusteita ja tutustuimme QGIS-ohjelmistoon. Ohjelmiston käyttäminen vaatii sinnikästä harjoittelemista, mutta myös uteliaisuutta ja luovuutta kokeilla ohjelmiston erilaisia työkaluja ja toimintoja. Henkilökohtaisesti en juurikaan vietä aikaa tietokoneella opintojeni ulkopuolella, joten ohjelmiston taitajaksi kehittyminen tuntuu kaukaiselta. QGIS:iin ensikosketukseni koin alkusyksyllä Johdatus geoinformatiikkaan –kurssilla, jolloin uskollisesti noudatin annettuja ohjeita, yrittämättä sooloillen tavoitella ennennäkemättömiä lopputuloksia (todellisuudessa lopulta käyttäen tunteja sekoiluun). Tavoitteeksi tälle kurssille asetin siis pyrkimyksen käyttää tuntimääräisesti vähemmän aikaa QGIS:in kanssa sekoiluun, mutta pyrkiä silti uteliaisuuteen kokeilla ohjeiden ulkopuolisia toimintoja edes välillä. 

Kartta Itämereen kohdistuvista typpipäästöistä 

Valtaosa ensimmäisen kurssikerran ajasta käytimme QGIS-ohjelmistolla valmiin aineiston pohjalta koropleettikartan luomiseen. Valikoimme aineistosta viisi tasoa, jotka sijoitimme QGIS:iin: Administrative boundaries, Depth contours, HELCOM marine area, Lakes ja Nitrogen Inputs. Aluksi muokkasimme aineiston visuaalista ilmettä siedettäväksi, jotta aineistoa olisi helpompi tulkita kokonaisuudessaan. Olin aluksi vahingossa siirtänyt zip-tiedoston sisällön sellaisenaan sovellukseen, minkä vuoksi ajauduin hieman jälkeen ohjeista ja hetkellisesti sekaannuin seuraavien vaiheiden toiminnoista. Välillä tuntuu, että etenemme ohjeiden kanssa hitaasti, mutta sitten kun putoan yhdessä vaiheessa kärryiltä, tuntuu kuin sekunnissa olisimme siirtyneet jo usean vaiheen kautta tuntemattoman näköiselle sivulle, joka määrittää jonkin oleellisen piirteen työhön. Tällä kertaa pysyin kuitenkin suhteellisen hyvin mukana, sillä pudotessani joko luin kirjallisia ohjeita tai kysyin pikaisesti vierustoverilta. Minun oppimiseni kannalta on edullista, että ohjeita käydään yhdessä läpi ja että ohjeet ovat olemassa myös kirjallisesti.  

Kuva 1:  Itämeren rannikkoalueen valtioiden typpipäästöt. 

Kaikki kartan tekemisessä käymäni vaiheet (niin tekniset kuin henkiset) huomioon ottaen olen tyytyväinen lopputulokseen. Kuten mm. Sanna Saarinen (2024) ja Taika Jaakkola (2024) ovat huomioineet, olisi kartan teossa voinut kiinnittää huomiota sen saavutettavuuteen. Punaisen ja vihreän väriparin yhdistelmässä ei huomioida punavihervärisokeutta, eikä värien muuttaminen oleellisesti muuta kartan ymmärrettävyyttä. Omalla kohdallani värit valikoituivat vain tunnilla annettujen ohjeiden mukaan. Intuitiivisesti vihreä tuntuu kuvaavan maata ja punainen päästöjä, etenkin kun kyseessä on haitalliset tai mahdollisesti kohtalokkaat päästöt. Toisaalta maata olisi voinut kuvata neutraaleilla sävyillä kuten ruskealla tai harmaalla. Valkoinen ja musta ei mielestäni sovi punaisen kanssa teemaan, sillä valkoinen tuntuu visuaalisesti hävittävän päästöjä tuottamattomat maat kartalta ja mustan yhdistelmä punaiseen tekee kartasta synkän.  

Kartan visuaalisuuden lisäksi kiinnostuin Jaakkolan (2024) esille nostamasta typpipäästöihin liittyvästä kommentista, jonka edellisvuoden opiskelija Joanna Nuutinen (2023) oli huomioinut blogissaan. Huomio koski Itämeren valuma-alueen päästöjen vastuumaista, joihin oli merkattu yksin rannikkovaltioita, vaikka niiden lisäksi mm. mantereen sisäisistä maista, kuten Tšekistä ja Slovakiasta, voi valua typpipäästöjä jokien välityksellä Itämereen. Toisaalta huomion taustalla olevassa Syken raportissa mainitaan, että “Puolan ja Ruotsin kokonaisuuskuormitusluvut sisältävät myös rajojen takaa tulevan kuormituksen” (Syke, 2013, s.57). Kuten kasvihuonekaasupäästöjen ja muiden valtioiden rajat ylittävien päästöjen kohdalla, on verkostoituneessa maailmassa hankala määrittää tarkasti kaikkien osuus aiheutuneesta kuormasta. Syke raportti lisäksi nostaa esille esimerkiksi meriliikenteen aiheuttamat typpipäästöt, jotka ovat huomattavasti maataloutta pienemmät, mutta kuitenkin typpikuormaan vaikuttavat. Merenkulusta on kansainvälisesti vastuussa YK:n alainen IMO (International Maritime Organisation), mutta myös EU ja HELCOM voivat säätää Itämeren merenkulun päästöistä. (Syke, 2013, s.63) Tehdessä karttaa keskeisten valtioiden aiheuttamista päästöistä on todennäköisesti helpompi huomioida merkittävät pistekuormitukset kuin suhteessa pienemmät hajakuormitukset, vaikka molempien huomioiminen on äärimmäisen tärkeää rehevöitymisestä kärsivälle Itämerelle.  

Huomio on tässä tapauksessa tärkeä, sillä se nostaa esille aloitteleville kartantekijöille kartantekijän vastuun tiedon esittämisen paikkansapitävyydestä ja neutraaliudesta. Toisaalta se nostaa esille samalla karttoihin liittyvän yleistämisen ja yksinkertaistamisen kysymyksiä, joiden kanssa karttoja tehdessä on opittava tasapainottelemaan.  

Yli 64-vuotiaiden osuus väestöstä kunnittain (%)

Ensimmäisen luennon kotitehtäväksi jäi tehdä itsenäisesti koropleettikartta valitsemallaan tietokannan tutkimusaiheella. Valitsin vaikeusasteen 1, sillä en yksinkertaisesti osaa käyttää QGIS-ohjelmaa vielä sujuvasti ilman apua. Valitsin koropleettikarttaan havainnollistettavaksi yli 64-vuotiaiden osuuden kunkin kunnan väestöön suhteutettuna. Vaikka valitsin vaikeusasteen 1, katselin ruutua ja klikkailin sinne tänne mutten ymmärtänyt, miten saan aineistostani esiin juuri haluamani tilaston. Kysyin seuraavan tunnin alussa apua vieressä istuvaltani.

Olen tyytyväinen lopputulokseen (kuva 2). Valitsin sinisen värin, koska ajattelin sen olevan neutraali väri esittämään “iäkkäiden” ihmisten osuutta (vrt. esimerkiksi punainen).

 

Kuva 2: Yli 64-vuotiaiden osuus väestöstä kunnittain.

 

Lähteet:

Nuutinen, J. (2023) QGIS-ohjelmistoon tutustuminen. Viitattu 17.1.2024. https://blogs.helsinki.fi/joznuuti/2023/01/23/qgis-ohjelmistoon-tutustuminen/

Saarinen, S. (2024) Ensimmäinen kurssikerta. Viitattu 17.1.2024. https://blogs.helsinki.fi/saarinsa/2024/01/16/ensimmainen-kurssikerta/

Suomen ympäristökeskus SYKE (2013). Itämeri – ympäristö ja ekologia. https://www.syke.fi/download/noname/%7BC0E3E83E-6BEB-489E-939E-06C4B82E1501%7D/97989