Author: Aino Pahkala

Viimeinen kurssikerta koitti vihdoin. Tällä kertaa olin täysin omillani, ja edellisten kertojen opit piti kaivaa jostain takaraivon sopukoista. Tehtävänä oli tuottaa kartta valitsemistaan aineistoista, ja niitä tuli vertailla keskenään. Aineisto sai olla mikä tahansa, kunhan sen vertailu ja luokittelu olisi mielekästä. Lisäksi piti valita alue, jossa omaa aineistoaan halusi käsitellä.

Olin edellisenä iltana selannut varmaan satoja eri vaihtoehtoja aineistoa varten, mutta mikään ei oikein inspiroinut. Valitsin lopulta maailmankartan, koska halusin tutkia globaaleja ilmiöitä. Vertailtavaksi aineistoksi valikoitu hedelmällisyysluku ja bruttokansantuote. Yritin jo kotona hieman alustaa kartantekoa, jotta en olisi tunnilla aivan eksyksissä, mutta aineiston muotoilu ei oikein onnistunut. Suljin lopulta suosiolla QGIS:in, jotta se ei raastaisi hermoparkojani enää.

Tunnilla latasin aineistot QGIS:iin ja hyödynsin toiselta kurssikerralta tuttua Join-toimintoa. Maailmankartta-aineistossa ei nimittäin ollut koordinaattitietoja, joten toiminto piti tehdä, jotta bruttokansantuotteen arvot osuisivat oikeille kohdille. Edellisiltana kohtaamani aineisto-ongelma ei kuitenkaan ollut poistunut. En saanut bruttokansantuotetta näkymään oikealla tavalla, mutta kyse olikin ihan pikkujutuista. NULL-arvot piti vaihtaa nolliksi, ja taulukon otsikkorivejä muuttaa. Näiden muutosten jälkeen kartta alkoi jo näyttää hyvältä. Toistin samat toiminnot vielä hedelmällisyyslukuaineistolle, ja laitoin piirakkadiagrammit kuvaamaan aineiston arvoja. Loppusilauksena vielä pohjoisnuoli ja legenda, ja alla näkyykin työni lopputulos:

Kuva 1. Kartta BKT:stä ja hedelmällisyysluvuista.

Bruttokansatuotteessa vaaleammalla näkyvät pienimmät arvot, ja tummemmalla suuremmat. Piirakkakuvioiden suuruus kuvaa hedelmällisyyslukua. Kartasta voidaan huomata, että hedelmällisyysluku on suurimmillaan Afrikassa, Oseaniassa ja Keski-Aasian ja Lähi-Idän seuduilla. Kartan avulla voidaan tulkita, että matala bruttokansantuote korreloi selvästi korkeamman hedelmällisyysluvun kanssa ja päinvastoin. Matalan bruttokansantuotteen maissa köyhissä oloissa elävät perheet voivat hankkia enemmän lapsia ehkäisyn puutteen vuoksi, tai suuren lapsikuolleisuuden ja työvoiman takia. Korkean bruttokansantuotteen maissa naisilla on tyypillisesti enemmän vaihtoehtoja esimerkiksi koulutuksen ja työn suhteen, ja he voivat itse valita, milloin hankkivat lapsia, tai hankkivatko he niitä ollenkaan.

Mielestäni kartta onnistui melko hyvin. Se on selkeä ja siitä ymmärtää vaaditut asiat. Itselleni visuaalisuus on tärkeää, joten käytin melko paljon aikaa esimerkiksi värien tai legendojen muokkailuun. Pohdin myös pitkään, valitsenko piirakkakuvion vai histogrammit, mutta mielestäni piirakkakuvio oli hieman siistimpi. Jäin pohtimaan pallojen kokoa. Pallojen koosta kyllä näkee erot, mutta varsinkin pienempien pallojen koissa ei niitä oikein näy. Toki tämä johtuu siitä, ettei hedelmällisyysluvutkaan kovin paljon eroa toisistaan. Halusin vielä lisätä legendaan hedelmällisyysluvut, jotta pallojen koot hahmottuisivat paremmin.

Loppupohdinnat

Suoraan sanottuna olen kyllä helpottunut, että kurssi on ohi. Yhdyn Taru Tornikosken ajatuksiin, kun hän blogissaan pohtii sitä, miten suuren datamäärän käsittely, erityisesti erilaisilla itselle vierailla paikkatieto-ohjelmilla, on aina ollut haastavaa. ”Koen niin tilastotieteessä, geoinformatiikassa kuin bioinformatiikassakin liikkuvani epämukavuusalueellani, enkä suoraan sanoen nauti näiden tekemisestä.”

Kyllä minä jotain tämän kurssin aikana opin. Ainakin osaan tehdä nyt kartan ja muotoilla siitä kivan näköisen. Ehkä tulevaisuudessa en ole heti sormi suussa, kun aineisto ei näytäkään heti siltä, miltä pitäisi. Sen olen varmasti oppinut, että ongelmatilanteessa kaikkea kokeilemalla on mahdollista, että löytää ehkä oikean ratkaisun. Pitää vain olla valmis aloittamaan alusta, jos tekeekin jotain peruuttamatonta. Koen kuitenkin hallitsevani QGIS:in perustaidot, ja ehkä jotain toimintoja on jäänyt lihasmuistiin niin, ettei niihin aina tarvitsisi etsiä ohjeita.

 

Lähteet:

Taru Tornikoski, https://blogs.helsinki.fi/tornitar/

World Bank, https://data.worldbank.org/indicator

Natural Earth, https://www.naturalearthdata.com/

Tämänkertainen tunti alkoi ulkoilulla. Meidän piti ladata Epicollect-niminen sovellus kännykään, ja lähteä kiertämään Kumpulan ympäristöä. Tarkoituksena oli parin kanssa kerätä tietoja noin 10 paikasta, ja vastata erilaisiin kysymyksiin paikan viihtyvyydestä, saatavuudesta ja turvallisuudesta.

Noin 45 minuutin kävelyn jälkeen palasimme luokkaan ja latasimme aineiston kaikkien saataville. Tämän jälkeen aineisto siirrettiin QGIS:iin, jonka jälkeen pystyimme tekemään siitä kartan. Ensin tarkastelimme kartalla vain pisteitä havainnoimistamme paikoista. Valitsimme tarkemmaksi aiheeksi kuitenkin paikkojen turvallisuuden tunteen, joten interpoloimme kartan. Tällöin kartalla näkyy selkeästi punaisemmalla ne alueet, jotka eivät tunnu turvalliselta. Kartalle valitsemamme värimaailma havainnollistaa mielestäni selkeästi kohteiden turvallisuuden tuntua.

Kuva 1. Kartta turvallisuuden tunteesta Kumpulan alueella.

Hasardit

Toisena tehtävänä oli tarkoitus tutkia maailmapallon hasardeja ja pohtia niistä tehtyjen karttojen kelpoisuutta opetuskäyttöön. Valitsin omaksi aiheekseni tulivuoret ja maanjäristykset. Tietokannat tuli ensin hakea ja ladata omalle koneelle ja muuttaa sitten sopivaan muotoon, jotta sen pystyisi lataamaan QGIS:iin. Ensimmäiseen karttaan laitoin tulivuoret ja 6–9 magnitudin maanjäristykset vuodesta 1900 vuoteen 2022. Toisessa kuvassa on tulivuorten lisäksi 3–5 magnitudin maanjäristykset ja kolmannessa 1–2 magnitudin järistykset.

Kuva 2. 6-9 magnitudin järistykset ja tulivuoret.

Kuva 3. 3-5 magnitudin järistykset ja tulivuoret.

Kuva 4. 1-2 magnitudin järistykset ja tulivuoret.

Kuvassa 2 maanjäristyksiä on runsaasti aineiston pitkän aikavälin takia. Kyseinen aikaväli kuitenkin havainnollistaa hyvin, missä kohdin suuria maanjäristyksiä tapahtuu runsaasti. Yritin ladata aineistoa lievempien magnitudien maanjäristyksistä samalla aikavälillä, mutta niitä oli yksinkertaisesti tapahtunut niin paljon, ettei niin suuren tietokannan lataaminen ollut mahdollista. Alemman magnitudin järistykset ovat niin yleisiä, että päädyin lataamaan aineistot viimeisen 30 päivän ajalta.

Mielestäni kuvat ovat havainnollistavia ja selkeitä. Niistä nähdään, missä kohdin järistyksiä erityisesti tapahtuu. Maanjäristykset paikantuvat samoihin kohtiin tulivuorten kanssa. Kuvasta 2 voidaan päätellä, että suuren magnitudin maanjäristykset ovat harvinaisia. Vaikka niitä kartalla näkyykin paljon, aikaväli on kuitenkin hyvin pitkä, yli sata vuotta. Viimeisen 30 päivän aikana 3–5 magnitudin maanjäristyksiä taas on tapahtunut useita, mikä kertoo niiden yleisyydestä. 1–2 magnitudin järistyksiä taas on hieman vähemmän, ja ne ovat sijoittuneet vain Pohjois-Amerikan mantereelle.

Jälkeenpäin mietittynä kartoista olisi voinut tehdä vielä havainnollistavamman lisäämällä litosfäärilaattojen rajat. Kuten Heta Suutari blogissaan kirjoittaa, tulivuoret ja maanjäristykset sijoittuvat selkeästi litosfäärilaattojen rajavyöhykkeille ja etenkin laattojen törmäyskohtiin. Lisäksi pelkkien pisteiden sijaan esimerkiksi tulivuorten symbolin olisi voinut korvata jollakin erilaisella kuviolla, jotta se erottuisi paremmin maanjäristyksistä. Värit ovat kuitenkin erilaiset, ja legenda löytyy kuvan alapuolelta, joten pisteiden merkitys ei pitäisi jäädä epäselväksi. Mittakaavaa ohjelma ei jostain syystä suostunut laittamaan, mutta luulen se johtuvan valitsemastani karttapohjasta. En kuitenkaan usko, että sillä olisi merkitystä karttapohjan takia. Samasta syystä jätin myös pohjoisnuolen laittamatta.

Opetustarkoituksessa kartoista voi pohtia juurikin tulivuorten ja maanjäristyksien yhteyttä ja sijoittumista, ja miten ne voisivat liittyä litosfäärilaattoihin. Karttojen avulla voisi myös miettiä maanjäristyksien vaikutusta ihmisiin varsinkin niillä alueilla, joilla maanjäristykset ovat hyvin yleisiä. Miten sijoittuminen vaikuttaa esimerkiksi infrastruktuuriin, varotoimiin, tutkimukseen ja muutenkin ihmisten arkielämään?

 

Lähteet:

Heta Suutari, https://blogs.helsinki.fi/suutarih/

Viidennen kurssikerran aikana harjoittelimme lisää QGIS:n piirtotyökalujen käyttöä, laskemista kohteiden avulla ja bufferointitoimintoja. Jatkoimme viime kerran Pornaisten kartan parissa ja laskimme esimerkiksi teiden pituuksia ja peltojen pinta-aloja Intersection- ja Clip-työkaluilla. Sen jälkeen siirryimme bufferointiin, eli puskurointiin, jolla voidaan määrittää halutun kokoinen vyöhyke kohdetietokannan kohteille. Sen avulla voidaan laskea mm. vyöhykkeen sisällä olevien kohteiden lukumääriä. Harjoittelun jälkeen siirryimme tekemään itsenäistehtäviä Malmin ja Helsinki-Vantaan lentokentistä.

Varsinkin tehtävien aloitus takkusi pahasti, mutta parini kanssa apua saatuamme jatkoimme tehtävien tekoa yhteistuumin. Koska bufferointi oli selkeästi lähimuistissa, ensimmäisten tehtävien jatkaminen tuntui helpolta. Tehtäviin tarvittiin samoja bufferointikäskyjä, sekä laskurin apua. Itsenäistehtävään 2 jouduin palaamaan vasta kotona, joten osa toiminnoista oli jo unohtunut. Tehtävien teko kuitenkin onnistui, vaikkakin ei varmasti helpommalla tavalla. Ulkomaalaisten prosenttiosuuksia en millään osannut laskea. Osasin kyllä korjata tietokannan virheluvut ja bufferoida, mutta en osannut jatkaa tehtävää prosenttiosuuksien selvittämiseksi. Yritin käyttää valintatyökaluja siinä onnistumatta. Alla kuitenkin taulukko saamistani vastauksista.

Koulu-tehtävä

Päätin tehdä valinnaisista tehtävistä ensimmäisenä olevan koulutehtävän. Alussa oli melko paljon haparointia, mutta muiden blogeja lukiessani sain tarvittavan avun tehtävien jatkamiseksi. Erityiskiitos Elida Peuhulle, ilman hänen bloginsa neuvoja en olisi osannut jatkaa tehtäviä. Tehtävät itsessään olivat melko helppoja, mutta tehtävänantojen ymmärtäminen ja oikean tiedon löytäminen attribuuttitaulukon lyhenteiden sekamelskasta oli todella hankalaa. Alla kuitenkin saamani vastaukset:

Kuinka paljon Helsingin Yhtenäiskouluun on tulossa uusia koulutiensä aloittavia oppilaita aineiston keruuhetkestä seuraavana vuonna, sen omasta koulupiiristä?

V: 14

Kuinka suurta määrää yläasteikäisiä oppilaita Helsingin yhtenäiskoulun pitää varautua opettamaan seuraavana vuonna (oma koulupiiri)?

V: 63

Kuinka suuren osuuden koulupiirin alueella asuvista asukkaista muodostavat kouluikäiset lapset ja nuoret (ala-aste ja ylä-aste)?

V: 8,4 %

Kuinka monta muunkielistä kouluikäistä alueella asuu, jos oletetaan että muunkielisissä perheissä lasten ja aikuisten suhde on sama kuin edellisessä kohdassa laskettu? Luku on vain arvio, ei siis tarkka lukumäärä.

V: noin 9

 

Pohdintaa

Kaikista QGIS:n toiminnoista erityisen hyvässä muistissa tällä hetkellä on nimenomaan bufferointi, koska sitä käytettiin niin paljon edellisissä tehtävissä. Bufferointia voidaan käyttää nimenomaan jonkin vyöhykkeen luomiseen tietylle kohteelle, ja laskea sen sisällä tai sen ulkopuolella olevat kohteet. Sitä voi käyttää kaikenlaisten vaikutusalueiden tarkasteluun. Apuna voi käyttää Select features by location-toimintoa. Vaikka itsenäistehtävät aiheuttivat harmaita hiuksia, oli niiden tekeminen silti opettavaista, ja pakotti luoviin ratkaisuihin, jos oikeita toimintoja ei muistanut. Tunnilla opettajan ohjeita seuratessa ei tule keskityttyä tarpeeksi toimintojen muistamiseen, joten ne unohtuvat nopeasti, ja tehtävien tekoa on vaikea jatkaa.

Koen osaavani QGIS:n alkeet, mutta kaikki vaikeimmat toiminnot ovat kyllä unohtuneet. Valintatyökalujen käyttö on bufferoinnin lisäksi nyt tuttua. Osaan tuoda erilaisia aineistoja QGIS:iin ja käyttää attribuuttitaulukkoa ja Field calculatoria. Karttojen visualisointi on mielestäni parasta tässä ohjelmassa. Tarvitsen kuitenkin vielä paljon harjoitusta, ennen kuin hallitsen QGIS:in käytön kokonaan. Siihen ei ihan seitsemän kurssikertaa riitä. Tähän loppuun voisin yhtyä Tia-Maria Liljeroosin ajatukseen siitä, että QGIS on välillä vain kryptistä soppaa.

 

Lähteet:

Elida Peuhu, https://blogs.helsinki.fi/elida/

Tia-Maria Liljeroos, https://blogs.helsinki.fi/litili/

Tämän kurssinkerran aikana tutustuimme ruutu- ja rasterikarttoihin, sekä pistemuotoisiin aineistoihin. Ensin teimme ruutukartan pääkaupunkiseudun väestötietokannasta, joka sisältää yksityiskohtaista tietoa pääkaupunkiseudun rakennuksista ja niiden väestötiedoista. Seuraavaksi alueen päälle piti luoda ruudukko, johon tuli yhdistää väestötietokannan aineisto teemakartan luomiseksi. Tässä tehtävässä käsittelimme muun muassa ruotsinkielisten, muunkielisten ja ulkokansalaisten määrää. Päätin valita omaan karttaani ruotsinkielisten osuuden pääkaupunkiseudun väkimäärään suhteutettuna.

Kartasta huomataan, että iso osa ruotsinkielisistä asuu Helsingin keskusta-alueella ja kantakaupungissa. Tihein asuinalue näyttäisi olevan aivan Etelä-Helsingissä. Myös Lauttasaari hehkuu melko punaisena. Itä- ja Pohjois-Helsingissä ruotsinkielisiä on jonkin verran, mutta myös Espoossa heitä asuu paljon. Erityisesti eteläisessä ja läntisessä Espoossa ruotsinkielisiä on hieman enemmän. Kauniaisiin ruotsinkielisiä on keskittynyt runsaasti. Vantaalla ruotsinkielisten osuus jää melko alhaiseksi muihin alueisiin verrattuna.

Helsingin kantakaupungin alueen ruotsinkielisten osuus on selitettävissä alueen asukastiheydellä, sillä siellä asuu muutenkin paljon ihmisiä. Kantakaupungissa varmasti vetoaa esimerkiksi palvelujen tai kulttuurin läheisyys. Mielestäni Anna Makkonen oli blogissaan hienosti pohtinut Kauniaisten ruotsinkielisten osuutta, johon liittyy hintataso, yhteisöllisyys ja palvelut. Hän on myös pohtinut ruotsinkielisten koulumenestyksen yhteyttä tiiviiseen yhteisöön ja kannustamiseen.

Kartan tulkitseminen on melko helppoa, sillä siitä ilmenevät suurin piirtein alueet, joissa ruotsinkielisiä on eniten. Analysoiminen olisi kuitenkin ollut vielä helpompaa, jos Espoon, Helsingin ja Vantaan väliset rajat olisivat olleet näkyvissä. Myös itse kuntien nimet olisivat olleet vielä plussaa. Muuten kartan havainnoiminen on melko yksinkertaista ja selkeää.

Pornaisten korkeuskäyrät

Lopuksi tutustuimme rasterikarttaan, jossa tarkastelimme Pornaisten aluetta. Tehtävän aikana harjoittelimme esimerkiksi korkeuskäyrien piirtämistä ja rinnevarjostuksen käyttämistä, sekä yhdistimme rasteritasoja. Alla näkyvässä Pornaisten kartassa näkyy Pornaisten keskusta-alue, korkeuskäyriä, sekä haalealla rinnevarjostuksia. Lopuksi piirsin karttaan vielä muutaman päätien ja asuinrakennuksia. Kartta on vielä kesken, sillä siihen palataan ensi kerralla.

 

Lähteet:

Anna Makkonen, https://blogs.helsinki.fi/annmakko/

Kolmannella kurssikerralla opettelimme taas kaikenlaisia toimintoja QGIS:ssä. Suurimman osan ajasta käytimme Afrikka-tietokannan käsittelyyn. Ensin toimme tiedot Afrikan valtioista, ja muutimme sen parempaan muotoon. Attribuuttitaulukossa näkyi useamman kerran yhden valtion tiedot, joten Dissolve-työkalun avulla poistimme taulukosta ylimääräiset tiedot. Lisäksi harjoittelimme tietokantojen yhdistämistä ja uuden tiedon tuottamista jo valmiina oleviin tietokantoihin. Toimme esimerkiksi taulukon Excelistä ja liitimme sen Afrikka-tietokantaan. Tarkastelimme myös timanttikaivosten, konfliktien ja öljykenttien määrää Afrikan valtioissa.

Kuva 1. Afrikan valtioiden timanttikaivokset, konfliktit ja öljykentät.

Yllä olevassa kuvassa näkyy Afrikka, timanttikaivokset, konfliktit ja öljykentät. Tämän työn toteutus aiheutti suoraan sanottuna harmaita hiuksia, sillä kotikoneella työtä avatessani en saanut siinä näkymään mitään. Huomasin muiden blogeja lukiessani, että Jenni Kolehmainen oli törmännyt saamaan ongelmaan. Asia harmittaa suuresti, sillä töitä olisi mukava jatkaa ja hioa kotona, mutta ne eivät avaudu oikein kotona. Olen törmännyt samaan ongelmaan aiemminkin. Päätin kuitenkin tehdä harjoituksen uudestaan, ja se olikin melko helppo toteuttaa. Viime kurssikerran vaiheet olivat vielä osittain mielessäni, ja harjoituksen ohjeiden kanssa sain kaikki työvaiheet tehtyä.

Afrikka-tietokannasta löytyi monenlaista tietoa, eikä kaikkea hyödynnetty tässä harjoituksessa. Kuten yllä olevasta kuvasta voidaan nähdä, konflikteja näyttäisi tapahtuneen enemmän niissä valtioissa, joissa on timanttikaivoksia. Korrelaatiota voi pohtia myös öljykenttien suhteen, eli konfliktien ja luonnonvarojen välissä voisi olla yhteys. Yhteys ei kuitenkaan ole kovin suuri, sillä konflikteja on ollut runsaasti myös timanttikaivoksettomilla ja öljykentättömillä alueilla. Kartasta voi kuitenkin pohtia sitä, miten konfliktit liittyvät valtion taloudelliseen tilanteeseen, ja miten varallisuus jakautuu valtion asukkaiden kesken. Kuten Mikke Plattonen kirjoittaa blogissaan: ” Luonnonvarojen hyödyntäminen tuo eittämättä vaurautta paikalliseen talouteen, mutta harmillisen usein varallisuus päätyy vain ylimmän eliitin kassakaappeihin.”

Tulvaindeksitehtävä

Kotitehtävänä piti tehdä annetusta Suomen tietokannasta valuma-alueiden tulvaindeksikartta ja liittää siihen järvisyysprosentti. Tehtävä sujui melko mutkattomasti, sillä olin tunnilla tehnyt tehtävästä hyvät muistiinpanot, jotta muistaisin työvaiheet kotona. Eniten päänvaivaa aiheutti kuitenkin histogrammien lisääminen karttaan, sillä siitä ei ollut ohjeita missään, eikä sellaisten tekoa ollut harjoiteltu. Pitkien kokeilujen ja Youtube-ohjevideon jälkeen sain kartalle näkymään histogrammit. Työvaiheiden ohessa on kuitenkin mahdollisesti sattunut jokin kömmähdys, sillä histogrammien laittaminen kartalle ei ollut yhtä helppoa, kuin sen olisi pitänyt olla.

Kuva 2. Valuma-alueiden tulvaindeksi ja järvisyysprosentti.

Loppujen lopuksi onnistuin kartan tekemisessä melko hyvin. Siitä tulee nimenomaisesti ilmi valuma-alueiden tulvaindeksit, joet, järvet ja järvisyysprosentti histogrammeineen. Kartta ei ole ihan selkeimmästä päästä, sillä esimerkiksi histogrammit peittävät osan tulvaindeksialueista. Myös muutama muu oli blogeissaan pohtinut sitä, että kartasta voisi saada vielä selkeämmän poistamalla joet näkyvistä. Mielestäni ne kuitenkin ovat olennaisia, sillä liittyyhän aihe yleisesti vesistöihin. Tulvaindeksi on selkeästi korkeampi rannikkoseuduilla kuin sisämaassa, ja Lapissa taas tulvaindeksi on matala. Lisäksi kartasta voidaan huomata, että järvisyysprosentin ja tulvaindeksin välillä on yhteys, sillä siellä missä järvisyysprosentti on suurempi, tulvaindeksi on matalampi.

Lopuksi

Tämä kurssikerran aiheet tuntuivat sujuvan hieman mutkattomammin kuin edellisillä kerroilla, vaikka jälleen kerran tuhannet eri välivaiheet aiheuttivat päänvaivaa. Erityisesti harmittaa se, ettei töitä voi oikein jatkaa kotona omalla tietokoneella. Harjoitusten jälkeen QGIS tuntuu kuitenkin hieman selkeämmältä, ja ehkä jotkin työvaiheet jäävät muistiini tämän jälkeenkin.

 

Lähteet:

Jenni Kolehmainen, https://blogs.helsinki.fi/jtkolehm/

Mikke Plattonen, https://blogs.helsinki.fi/mikkepla/

Toisella kurssikerralla jatkoimme QGIS:llä harjoittelua ja vertailimme erilaisia projekteja. Tutustuimme tunnin aluksi erilaisiin aineistoihin, ja miten niitä voi käyttää QGIS:ssä. Kävimme läpi erityyppisiä rajapintoja, sekä aineistojen tuottajia, joita olikin monia. Harjoittelimme datan siirtämistä QGIS:iin WFS:n avulla. Kun olimme siirtäneet aineiston Suomen kunnista QGIS:iin, harjoittelimme mittatyökalun käyttöä ja tiettyjen alueiden valitsemista. Tämän jälkeen siirryimme vertailemaan erilaisia projektioita.

Projektioissa maapallon pinta levitetään kaksiulotteiselle tasolle kartaksi. Maapallon pyöreydestä johtuen kaksiulotteisella kartalla pinta-alojen, koon ja suuntien vääristymiltä ei voi välttyä. Eri projektioiden avulla pyritään kuitenkin kuvaamaan haluttu kohde mahdollisimman tarkasti, ja minimoimaan mahdolliset virheet. Kuten Meri Lehto blogissaan kirjoittaa, eri projektiot soveltuvat eri tarkoituksiin. Se projektio, mikä parhaiten kuvaa Suomea, ei välttämättä sovellu jonkin toisen alueen kuvaamiseen. Tällöin saman projektion käytöstä toisella alueella voi herättää vääriä mielikuvia alueen todellisesta muodosta.

Käytimme vertailukohteena TM35FIN-projektiota, joka on Suomessa yleisesti käytössä. Kahdeksi eri projektioksi valitsin Mercatorin ja Pattersonin projektiot. Valitsin alueen Suomen kärjestä, jotta pinta-alan ja pituuden erot näkyisivat eri projektioissa. Alla olevassa taulukosta näkyy eri projektioiden arvot. Pituuden suhteen Mercator ja Patterson ovat melkein samat, mutta TM35:n verrattuna hyppäys on suuri. Pinta-alan arvot vaihtelevat myös paljon, ja varsinkin Pattersonin antama arvo pinta-alalle jäi mietityttämään. Miksi se on niin erilainen verrattuna Mercatoriin ja TM35:n? En tiedä onko luku oikea, vai onko minulla käynyt joku virhe aineistoa tehdessä.

Taulukko 1. Projektioiden vertailua

Seuraavaksi tein vertailukartat eri projektioista, tässä tapauksessa Mercatorista ja Pattersonista.

Kuva 1. Mercator-projektion vääristymä verrattuna TM35FIN-projektioon.

Kuva 2. Patterson-projektion vääristymä verrattuna TM35FIN-projektioon.

Molemmissa projektioissa pohjana on vertailun kohteena oleva projektio, jotta muutokset näkyisivat paremmin. Suurimmat vääristymät näyttäisivät tapahtuvan Mercator-projektiossa. Muutokset ovat luonnollisesti pienempiä Etelä-Suomessa, mutta mitä pohjoisemmaksi mennään, sitä vääristyneemmät luvut ovat. Pohjoisessa luvut ovat jopa seitsenkertaisia alkuperäiseen verrattuna.

Pattersonin projektiossa muutokset taas ovat maltillisempia, vaikka Suomi näyttääkin samanaikaisesti melko venyneeltä ja litistyneeltä. Jälleen kerran etelässä muutokset ovat pieniä, ja ne kasvavat pohjoiseen päin mentäessä. Lukujen muutokset ovat hyvin pieniä Mercatoriin verrattuna. ”Pahimmilla” alueilla muutos on vain kolminkertainen alkuperäiseen verrattuna.

Lopuksi

Olisin halunnut ottaa vertailuun mukaan vielä kolmannen projektion, mutta olin yksinkertaisesti unohtanut kaiken, mitä viime viikon kurssikerralla oli tehty kyseisten vertailukarttojen aikaansaamiseksi. Yritin pitkään kotona tehdä samanlaista karttaa, mutta en osannut sitä edes ohjeiden kanssa. Saamani luvut olivat todella suuria tunneilla tehtyihin verrattuna, enkä ymmärtänyt, mikä voisi olla vialla. Muistan tunnilla asian tuntuneen selkeältä, mutta siitä on ilmeisesti kulunut liikaa aikaa, jotta muistaisin kaikki työvaiheet. En siis voi sanoa tällä hetkellä osaavani tehdä samanlaista karttaa kotona, mikä on itselleni pettymys. Osaan kuitenkin käyttää mittatyökalua ja valita tiettyjä alueita kartalta, sekä ymmärrän projektioita ja niiden merkitystä taas vähän enemmän. Mielestäni tekemäni kartat ovat yksinkertaisia ja selkeitä, ja niistä ymmärtää halutut asiat.

 

Lähteet:

Meri Lehto, https://blogs.helsinki.fi/lehtomer/

Ensimmäisellä kurssikerralla harjoituksena oli tehdä kartta Euroopan typpilähteistä. Tunnilla kartan tekeminen sujui opettajan ohjeiden perässä ihan mukavasti. Kotona halusin palata vielä kartan pariin ja muokata siitä vähän hienomman näköisen ennen kuin postaisin sen muiden näkyville. Omalla koneellani kartta ei kuitenkaan näyttänyt samalta: siitä puuttui tietoja, enkä saanut kaikkia muuttujia jostain syystä näkyviin. Ongelmaan olisi varmasti ollut helppo ratkaisu, mutta QGIS:n aloittelevana käyttäjänä en sellaista hoksannut. Päätin tehdä nopeasti kokonaan uuden kartan, olinhan tehnyt sellaisen jo aiemmin.

Homma ei ollutkaan ihan helppo, sillä useimmat asiat olivat unohtuneet täysin viime kerralta. Tuntui, etten oikein ymmärtänyt QGIS:n toimintoja ollenkaan. Karttaa vääntäessä meni kauemmin kuin olisi tarvinnut, mutta sain sen lopulta tehtyä ohjeiden avulla. Ja olen siihen ihan tyytyväinen. Siitä saa mielestäni hyvin selville tarvittavat tiedot, kuten typpipäästöt, päästöosuudet ja vesialueet.

Vaikeinta oli mielestäni datan saaminen oikeaan muotoon. Tuntui, että näpyttelin miljoonia eri nappeja oikean tuloksen saamiseksi. Joudun monesti poistamaan tekemäni muutokset, sillä ne näyttivät ihan vääriä asioita. Lopulta olo oli helpottunut, kun oivalsin vaadittavat toiminnot ja sain tiedot oikeaan muotoon.

Kuva 1. Harjoituksen 1 typpipäästökartta

Kotitehtävänä piti luoda koropleettikartta Suomen kuntien tietokannasta. Valitsin vaikeustaso 1:n, sillä olin vielä epävarma omista QGIS-taidoistani. Selasin erilaisia muuttujia, ja yritin samalla miettiä, minkä niistä valitsisin. Osa lyhenteistä oli hieman epäselkeitä, eikä niiden merkitys oikein auennut. Päätin kuitenkin monien vaihtoehtojen joukosta valita kesämökkien lukumäärän kunnittain, onhan kesä lempivuodenaikani.

Tehtävä sujui melko vaivattomasti. Juuri äsken tekemäni typpipäästökartta helpotti työskentelyäni huomattavasti, sillä työvaiheet olivat tuoreena muistissani. Heti aloitettuani kohtasin kuitenkin ongelman: miten saan datan visualisoitua oikealla tavalla kartalle? Seurasin ensimmäisen harjoituksen ohjeita, mutta legendan lukuarvot olivat kummallisen pieniä. Muita blogeja lukiessani huomasin, että Katariina Maijala oli törmännyt samaan ongelmaan kesämökkejä visualisoidessaan. Mietin, että nämä taitavat olla prosenttilukuja. Nyt eivät ohjeet auta tässä tilanteessa. Siitä alkoikin pähkäily, että miten saan tavalliset luvut legendaan, ja muutaman tovin kikkailtuani sain jonkinlaiset normaaleja lukuja esittävät numerot kartalle. Jälkeenpäin asiaa miettiessäni lukujen saaminen oikeaan muotoon oli hyvinkin helppoa.

Loppu menikin mukavasti kartan ulkonäköä muokatessa. Valitsin kesäisen oranssin kuvaamaan kesämökkien lukumäärää, lisäsin legendan, mittakaavan ja pohjoisnuolen. Olen itse tyytyväinen karttaan, sillä mielestäni se on selkeä ja helppolukuinen. Siitä voidaan havaita, että eniten mökkejä sijaitsee Keski- ja Itä-Suomessa, sekä Lapissa. Vähiten niitä taas on Länsi-Suomessa.

Kuva 2. Kesämökkien lukumäärä kunnittain

Tehtävien tekemisen jälkeen koen osaavani jonkinlaiset QGIS:n alkeet. Erityisesti nautin karttojen ulkonäön muokkaamisesta, sillä se oli mielestäni helppoa ja koen olevani siinä hyvä. Luulen osaavani myös laittaa datan oikeaan muotoon kartalle, vaikkakin vähän ohjeiden avulla. Mielestäni kartoista tuli oikein onnistuneita, sillä niistä välittyy se tieto, mikä pitääkin. Tarvitsen kuitenkin paljon lisää harjoitusta QGIS:n suhteen, jotta osaisin käyttää sitä vaivattomasti ja ilman ohjeita. Toivottavasti tässä tilanteessa ollaan kurssin lopussa.

 

Lähteet:

Katariina Maijala, https://blogs.helsinki.fi/katariinagem/

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