Seitsemännellä luennolla oli tehtävänä kerätä paikkatietoaineistoa itseä kiinnostavasta aiheesta ja tuottaa siitä kartta/karttasarja. Kartan kohdealueen toivottiin olevan esimerkiksi valtio, jotta tarkastelualue pysyy riittävän pienenä ja huomioita on helppo tehdä. Alueeksi pystyi valita minkä tahansa maapallon alueen, josta vaan löytyi vähintään kahden muuttujan tarkasteluun paikkatietoaineistoa. Nettisivustoja aineiston löytämiseen ovat muun muassa ec.europa.eu/eurostat (Euroopan tilastoja), www.stat.fi (Suomen tilastoja) sekä www.naturalearthdata.com (Monen eri maanosan valtioiden tilastoja). Paikkatietodataa löytyy netistä runsaasti myös vain laittamalla hakusanoiksi ”Free GIS data”. Valitsin tarkastelualueeksi Chilen ja muuttujiksi maanjäristykset, tsunamit sekä Chilen jokiverkoston. Hain aineistoa www.ngdc.noaa.gov ja earthquake.usgs.gov sivuilta. Tavoitteena oli tutkia Chilen vaarallisimpia alueita ja pohtia maanjäristysten ja tsunamien seurauksia 2000-luvun Chilen ympäristöön ja asutetuille alueille. Jokiverkoston lisääminen yhdeksi karttatasoksi auttaa lukijaa ymmärtämään, millä alueilla tsunamit ovat mahdollisesti aiheuttaneet tulvia.

 

Maantiede on siitä kiintoisaa, että vain paria muuttujaa kartanteossa hyödyntäen voi pohtia laaja-alaisesti ilmiöiden ihmismaantieteellisiä ja luonnonmaantieteellisiä seurauksia. Maanjäristys merellä voi aiheuttaa tsunamin, joka puolestaan voi aiheuttaa mantereella tulvia, jotka puolestaan voivat aiheuttaa tautien leviämisen kaupungissa. Jokaisella ilmiöllä on siis jonkinlainen seuraus, joka näkyy konkreettisesti ympäristössä ja vaikuttaa siellä asuviin ihmisiin. Yksi kartta voi toimia apuna kymmenien maantieteellisten ilmiöiden syiden ja seurausten tarkastelussa.

Kuva 1. 2000-luvulla tapahtuneiden yli viiden (5) magnitudin maanjäristysten ja tsunamien sijainnit Chilessä.

 

Chilen kartta (Kuva 1) esittää yli viiden magnitudin maanjäristysten ja tsunamien sijainnit. Eniten maanjäristyksiä on tapahtunut Chilen pohjois- ja keskiosassa. Tummempi punaisen väri osoittaa kuitenkin suurimman osan 2000-luvun maanjäristyksistä tapahtuneen Pohjois-Chilessä. Samoilla alueilla maanjäristysten kanssa on tapahtunut tsunameja. Tämän syynä on se, että monesti maanjäristykset saavat aikaan tsunamin. Chilessä tsunameja ja maanjäristyksiä tapahtuu paljon, sillä Chile sijaitsee litosfäärilaattojen saumakohdassa. Chilen länsipuolella on Nazcan laatta ja itäpuolella Etelä-Amerikan laatta. Nazcan laatta työntyy kohti Etelä-Amerikan laattaa aiheuttaen tuhoisia maanjäristyksiä. Maanjäristysten tuhoisuus riippuu mm. maanjäristyksen koosta, kestosta, sijainnista, hyposentrumin etäisyydestä maanpintaan sekä havainnointi- ja varoitusajasta, joiden mukaan määrittyy mahdollisen evakuoinnin onnistuneisuus.

 

Kuva 2. 2000-luvulla tapahtuneiden yli viiden (5) magnitudin maanjäristysten ja tsunamien sijainnit Chilessä.

 

Kolmeen osaan pilkottu Chilen karttasarja (Kuva 2) esittää lähempää tsunamien ja yli viiden magnitudin maanjäristysten sijainnit. Moni 2000-luvulla tapahtuneista tsunameista on osunut samoille alueille joko Pohjois-Chileen tai Chilen keskiosiin.

 

Karttojen laatua ja yleistä informatiivisuutta parantaa tunnettujen väestökeskittymien merkitseminen kartalle. Tässä tapauksessa väestökeskittymät auttaisivat lukijaa hahmottamaan maanjäristyksistä ja tsunameista aiheutuneet seuraukset kaupunkirakenteeseen ja lähialueille asuviin ihmisiin. Toisaalta luonnonhasardeja kuvaava kartta voi toimia myös yksinkertaisesti Chilen ja sen hasardien sijaintien opettamiseen hyödynnettävänä välineenä.

 

Vaikka kartoissa olisi puutteita ja parantamisen varaa, ovat ne silti kiinnostava visualisoinnin keino maantieteellisten ilmiöiden syiden ja seurausten tarkasteluun. Kartat esittävät yleisesti (toivottavasti) objektiivista tietoa ja toimivat apuvälineinä ilmiöiden ymmärtämisessä. Ei pidä kuitenkaan unohtaa kartantekijän merkitsevyyttä kartan sisällön luotettavuuden kritisoimisessa, sillä kartantekijä päättää itse, mitä muuttujia kartta sisältää ja kuinka ne kartalle merkitään.

 

Kiitos antoisasta kurssista.

Kuudennella luennolla käsiteltiin pisteaineistojen esittämistä kartalla. Luennon aikana hyödynsimme Epicollect5-sovellusta paikkatietoaineiston keräämiseen, jonka jälkeen toimme aineiston QGIS:iin tarkastelua varten. Epicollect5 käyttäminen oli uutta, mutta sovelluksen avulla ymmärtää, kuinka helppoa paikkatietodatan luominen ja kerääminen oikeastaan on. Epicollect5-sovellukseen pystyi tallentamaan sen hetkisen sijainnin lisäksi kuvatiedostoja, jotka edelleen syventävät ja laajentavat paikkaan sidottua tietoa. Tehtävän aikana vastattiin kussakin itse päätetyssä sijainnissa viihtyvyyttä käsitteleviin kysymyksiin: ”Kuinka viihtyisäksi koet tämän paikan” ja ”Käyttävätkö ihmiset paikkaa hengailuun vai kävelevät sen ohi” jne. Kurssikerran ohjeissa mainitaan: ”Matkapuhelimen paikannussovelluksen avulla voidaan kerätä koordinaattitietoihin perustuvaa sijaintitietoa, jonka tarkkuus riippuu matkapuhelinverkon vahvuudesta juuri sillä paikalla, ja se vaihtelee muutamasta metristä aina useisiin kymmeniin metreihin.” On siis tärkeää ottaa huomioon matkapuhelimen kyky tarkan sijaintitiedon antamiseen, sillä se vaikuttaa saatuihin tuloksiin.

 

Luennon aikana harjoiteltiin mm. interpolointia viihtyvyydestä kerätyn tiedon avulla. Interpoloinnin avulla pistemuotoista paikkatietodataa voidaan hyödyntää antamalla arvoja myös niille pisteille, joista ei kerätty dataa. Kuvitellaan siis esimerkiksi kaupunkiverkosto, jossa kaupungin itäosa tunnetaan erittäin vaaralliseksi ja länsiosa taas turvalliseksi. Dataa näiden kaupungiosien väliltä ei kuitenkaan ole kerätty, jolloin interpoloimalla voidaan hyödyntää länsi- ja itäosan alueilta kerättyä tietoa. Voidaan siis muodostaa jatkuva pinta kuvaamaan koko kaupungin turvallisuutta valitsemalla esim. punainen väri itäosalle kuvaamaan vaarallisuutta ja sininen länsiosalle kuvaamaan turvallisuutta, jolloin näiden pisteiden väliin sijoittuvat kohteet saisivat joko vaalemman sinisen tai vaaleamman punaisen värin merkitsemään kyseisten kohteiden etäisyyttä vaarallisen itäosan keskipisteeseen ja turvallisen läntiosan keskipisteeseen. Interpoloimalla siis sovelletaan tietyistä pisteistä kerättyä paikkatietoa ja annetaan sen mukaan arvoja myös pisteille, joista ei ole kerätty tietoa.

 

Kurssikerran itsenäistehtävässä käsiteltiin hasardeja ja niiden alueellista esiintymistä. Tavoitteena oli luoda kolme karttaa, jotka esittäisivät hasardien esiintymistä maapallolla. Kartantekijä sai itse valita annetusta aineistosta muuttujat ja aikajanan. Mahdollisia muuttujia eli hasardeja olivat maanjäristykset, tulivuoret sekä meteoriittien putoamispaikat. Aineistoa tuotiin QGIS:iin mm. United States Geological Survey: Search Earthquake Catalog -sivuilta ja Data.gov: Global Volcano Locations Database -sivuilta, jotka ovat Yhdysvaltojen tuottamaa avointa paikkatietoadataa.

 

Kartat (Kuvat 1-3) esittävät tulivuorten ja vuosina 1980-2022 esiintyneiden 5.5-9.1 magnitudin kokoisten maanjäristysten sijoittumista maapallolla. Kuvista huomataan, että suurin osa maailman tulivuorista sijaitsee Tyynenmeren tulirenkaan alueella. Samalla alueella ja sen läheisyydessä, esimerkiksi Kaakkois-Aasiassa, tapahtuu myös eniten maanjäristyksiä. Tulivuoret ja maanjäristykset sijoittuvat pitkälti samoille alueille: Etelä- ja Pohjois-Amerikan länsirannikolle, Kaakkois-Aasiaan sekä Aasian, Australian ja Oceanian länsirannikolle. Suurin osa maanjäristyksistä tapahtuu Tyyntämerta ympäröivillä rannikkoalueilla, muodostaen yhdessä tulivuorten kanssa tapahtumarikkaan Tyynenmeren tulirenkaan.

 

Ensimmäisessä kartassa näkyvät magnitudiltaan seitsemän tai sitä suuremman kokoiset maanjäristykset. Näin suuria maanjäristyksiä tapahtuu harvoin, mutta tarkastelujaksolla vuosina 1980-2022 niitä on tapahtunut ympäri maapalloa. Kuvasta erottuu alueet, joilla suurimmat ja tuhoisimmat maanjäristykset ovat tapahtuneet: Etelä-Amerikan länsirannikolla mm. Chilessä, Kaakkois-Aasiassa mm. Indonesiassa sekä Aasian itärannilla mm. Japanissa ja Filippiineillä.

Kuva 1. Tulivuoret ja vuosina 1980-2022 tapahtuneet 7-9.1 magnitudin maanjäristykset.

 

Kuvat 2 ja 3 esittävät tulivuorten ja 6-6.9 magnitudin (Kuva 2) ja 5.5-5.9 magnitudin (Kuva 3) kokoisten maanjäristysten sijaintia maapallolla. Kartat havainnollistavat hyvin sen, kuinka vulkanismin ja aktiivisen Maan sisuksen seuraukset näkyvät maapallolla. Maanjäristyksiä ja tulivuorten purkauksia tapahtuu litosfäärilaattojen saumakohdissa ja kuumien pisteiden kohdalla. Pitkällä aikavälillä kerätty data maanjäristyksistä havainnollistaa maankuoren näyttäytyvyyden palapelinä. Kuva 3 esittää selkeästi esimerkiksi Etelä-Amerikan länsipuolella sijaitsevan Nazcan laatan rajat.

Kuva 2. Tulivuoret ja vuosina 1980-2022 tapahtuneet 6-6.9 magnitudin maanjäristykset.

 

Kartat havainnollistavat myös saarien syntyä. Havaijin saaret Pohjois-Amerikan länsipuolella Tyynellämerellä ovat muodostuneet kuuman pisteen päälle. Maankuoren alta purkautunut magma on muodostanut tulivuorista koostuvan saarikaaren, joista nuorin eli viimeisin saari sijaitsee kuuman pisteen päällä. Havaijin saarikaaren alueella on esiintynyt viiden (5) ja kuuden (6) magnitudin kokoisia maanjäristyksiä vuosina 1980-2022. Muita kuumien pisteiden päälle muodostuneita saaria ja saariryhmiä ovat muun muassa Islanti, Azorit ja Galápagossaaret.

 

Kuva 3. Tulivuoret ja vuosina 1980-2022 tapahtuneet 5.5-5.9 magnitudin maanjäristykset.

Viidennellä luennolla harjoiteltiin naapuruusanalyysin tekemistä hyödyntäen mm. QGIS:in Buffer (puskurivyöhyke) työkalua. Sen avulla voidaan muodostaa alue esimerkiksi kahden kilometrin säteellä jostakin kartalla sijaitsevasta kohteesta, jonka läheisyydessä olevia kohteita halutaan mitata/tarkastella. Tavoitteena on siis selvittää jotakin kohteen yhteydestä ja sijoittumisesta ympärillä oleviin kohteisiin nähden. Puskurivyöhykkeen avulla voidaan esimerkiksi määrittää, kuinka monta henkilöä asuu kilometrin säteellä terveyskeskuksesta. Aineistona viidennellä luennolla oli Pornaisten kartta sekä muuta vektorimuotoista aineistoa Pornaisten asukkaista, rakennuksista sekä teistä. Luennolla hyödynnetyt valintatyökalut tulevat monesti tarpeeseen, kun tietokannoista halutaan analysoida esimerkiksi pisteaineistoa suhteessa polygoneihin tai viivoihin (Montako asukasta asuu ydinkeskustassa tai sen lähistöllä tms.) Kun puskurivyöhyke on luotu kartalle, voidaan sen sisällä olevia kohteita valita Select by location työkalun avulla.

 

Itsenäisessä tehtävässä tutkittiin Malmin ja Helsinki-Vantaan lentokenttien läheisyydessä asuvien ihmisten määrää. Tavoitteena oli selvittää, kuinka montaa asukasta häiritsee lentokentiltä tuleva lentomelu.

 

Tehtävässä saatiin selville, että 58 814 ihmistä asuu kahden kilometrin säteellä Malmin lentokentästä. He ovat siis lentokentän pahimmalla melualueella. Jopa 8954 ihmistä asuu kilometrin päässä Malmin lentokentästä. Helsinki-Vantaan lentokentän välittömässä läheisyydessä, alle kahden kilometrin säteellä, asuu 10 488 henkilöä. Näistä 0,18% eli 19 asukasta asuu Helsinki-Vantaan lentokentän pahimmalla melualueella (65dB). Noin 11923 henkilöä asuu vähintään 55dB melualueella Helsinki-Vantaan lentokentästä. Tehtävässä selvitettiin myös niiden asukkaiden määrä, jotka kuuluisivat vähintään 60dB lentomelualueelle Tikkurilassa, mikäli lentokoneet laskeutuisivat Helsinki-Vantaalle poikkeuksellisesta suunnasta. Vastaus tähän on 27 168 asukasta.

 

Seuraavassa tehtävässä selvitettiin, monta asukasta asuu aineistona käytetyn kartan alueella alle 500 metrin päässä lähimmästä juna- tai metroasemasta. Vastauksena oli 11765 asukasta. Tämä on noin 21,7 prosenttia kaikista alueen asukkaista. Noin 67 prosenttia näistä asukkaista on työikäisiä 15-64-vuotiaita.

 

Tähän mennessä erilaisten työkalujen ja toimintojen käyttäminen QGIS:ssä on sujunut hyvin. Aineistojen tuominen ohjelmaan sujuu ongelmitta sekä eri aineistojen siirtäminen tasoilla ja symboliikan muuttaminen ei tuota päänvaivaa. Sen sijaan välivaiheiden muistaminen eli se, mistä pitää aloittaa ja miten jatkaa on välillä hankalaa, jos tehtävänä on monivaiheinen tietokantojen yhdistäminen, muokkaaminen ja visualisointi teemakarttana. Valintatyökalujen käyttö on helppoa. Aineistojen manipulointi eli esimerkiksi uusien tietokantasarakkeiden luominen tai vanhojen tietokantojen päivittäminen on kiinnostavaa, sillä tietoja voidaan muuttaa helposti matemaattisten laskutoimitusten kautta. QGIS käyttää ohjelmointikielenään Pythonia, minkä tutkiminen ja hyödyntäminen tietokantojen päivittämisessä voisi olla kiinnostava lisä kurssilla. Ohjelmistoon on integroitu valmiina Python konsoli.

 

Taulukko 1. Viidennen kurssikerran tehtäviä ja vastauksia.

1.1a. Kuinka monta ihmistä asuu kiistellyn Malmin lentokentän pahimmalla melualueella, jos mukaan lasketaan kaikki asukkaat 2 km säteellä kentästä? Entä 1 km säteellä asuvat?	2km: 58 814 ihmistä 1km: 8954 ihmistä
1.1b. Kuinka monta asukasta asuu Helsinki-Vantaan lentokentän välittömässä läheisyydessä, etäisyys kiitoratoihin linnuntietä alle 2 km.	10 488 asukasta
1.1c. Kuinka prosenttia edellisen kohdan asukkaista asuu Helsinki-Vantaa lentokentän pahimmalla melualueella (65dB)?	0,18%
1.1d. Kuinka monta ihmistä asuu vähintään 55dB melualueella?	11923 ihmistä
1.1e. Kuinka monen ihmisen elämää vähintään 60dB lentomelu haittaisi Tikkurilassa, mikäli saapuva liikenne käännettäisiin jälleen laskeutumaan poikkeuksellisesta suunnasta?	27 168 ihmisen elämää
1.2a. Kuinka monta asukasta asuu kartan alueella alle 500m päässä lähimmästä juna-, tai metroasemasta?	11765 asukasta
1.2b. Kuinka monta prosenttia kaikista alueen asukkaista asuu alle 500m päässä asemasta?	21,7 prosenttia
1.2c. Kuinka monta prosenttia a-kohdan ihmisistä oli työikäisiä (15-64v)?	67 prosenttia
2a. Laske/selvitä kuinka monta prosenttia tämän tehtävän alueen asukkaista asuu taajamissa?	96,8 prosenttia
2b. Kuinka monta kouluikäistä asuu taajamien ulkopuolella? Kuinka monta prosenttia luku on kaikista kouluikäisistä?	32588 kouluikäistä 22,6 prosenttia
2c. Kuinka monella alueella ulkomaalaisten osuus on yli 10%, entä 20% tai 30%?	Mikä lasketaan alueeksi? Taajama-alue? En ymmärtänyt kysymystä. Sain kuitenkin joksikin luvuksi 257, kun laskin ulkomaalaisten asukkaiden osuuden kaikista, valitsin kartalta yli 10% ulkomaalaisten asukkaiden osuudet ja valitsin niistä ne, jotka ovat taajama-alueilla.
3a. Kuinka paljon Helsingin Yhtenäiskouluun on tulossa uusia koulutiensä aloittavia oppilaita aineiston keruuhetkestä seuraavana vuonna, sen omasta koulupiiristä?	14 oppilasta
3b. Kuinka suurta määrää yläasteikäisiä oppilaita Helsingin yhtenäiskoulun pitää varautua opettamaan seuraavana vuonna (oma koulupiiri)?	81 yläasteikäistä oppilasta
3c. Kuinka suuren osuuden koulupiirin alueella asuvista asukkaista muodostavat kouluikäiset lapset ja nuoret (ala-aste ja ylä-aste)?	5,4%
3d. 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.	66 muunkielistä kouluikäistä

 

Neljännellä luennolla käsiteltiin muun muassa ruututeemakartan tekemistä, uuden tiedon tuottamista tietokantoihin maantieteellisiä kohteita hyödyntäen sekä rasteriaineistojen hyödyntämistä ja tulkintaa. Luennolla tehtävässä harjoituksessa oli tarkoitus luoda ruututeemakartta, jonka avulla voidaan esittää jotakin tietoa väestöstä. Aineistona oli pohjakartta Helsingin alueelta, jossa näkyy muun muassa Helsingin kuntarajat, vesistöjä sekä tiestö. Lopulliseen karttaan (Kuva 1 ja 2) on valittu visualisoinnin kannalta oleelliset muuttujat: kuntaraja, tiestö, ruudukko sekä merialue.

 

Kartan tekeminen sujui hyvin ja lopputulokseen voi olla tyytyväinen. Kaksi karttaa (Kuva 1 ja 2) esittävät ruotsinkielisten määrää Helsingin kunnassa absoluuttisina arvoina ja prosenttiosuuksina. Ruututeemakarttaa on kätevä hyödyntää sekä konkreettisten lukumäärien että prosenttien esittämiseen. Kuten Saara Aaltonen mainitsee blogissaan,  on ruututeemakartta mainio keino kaupungin asutustiheyden kuvaamiseen, sillä ruutujen mitoiksi voidaan valita yksi neliökilometri, minkä myötä saadaan tarkempia tuloksia.

 

Kartta muistuttaa koropleettikarttaa, sillä siinä esitetään muuttujan esiintymistä vaaleasta tummaan kulkevalla väriasteikolla. Tiettyä kieltä puhuvan ryhmän kaltaisen ilmiön ymmärtämisen kannalta on hyvä luoda kartta, jossa näkyy kieltä puhuvien lukumääriä, mutta toisaalta prosenttiosuuksia esittävän kartan avulla on kiintoisaa nähdä alueellisia eroja ruotsinkielisten määrään suhteessa muuhun väestöön. Ensimmäisestä kartasta (Kuva 1) erottuu ydinkeskusta sekä muutama muu alue, jossa asuu eniten ruotsinkielisiä (>1000 as.). Toisen kartan (Kuva 2) avulla taas voidaan nähdä, kuinka ympäri Helsingin kunnan aluetta asuu enemmän ruotsinkielisiä (>60%) kuin muunkielisiä sillä alueella. Esimerkiksi Sipoon lähellä Itä-Helsingissä monilla alueilla ruotsinkielisten osuus asukkaista on yli 20 prosenttia. Vuonna 2020 Sipoon väestöstä noin 30 prosenttia oli ruotsinkielisiä (Lähde: Sipoo 2021 avainluvut).

 

Absoluuttisten arvojen esittäminen ruututeemakartalla voi olla harhaanjohtavaa, koska esimerkiksi ruotsinkielisten esiintyminen riippuu siitä, missä asuinalueet sijaitsevat Helsingissä. Ydinkeskusta on tiheään asuttua, minkä takia on suurempi todennäköisyys, että jotkin asukkaista ovat ruotsinkielisiä verrattuna alueisiin, joissa väestöntiheys on pieni.

 

Ruututeemakartta on helposti luettava esitysmuoto, sillä tutkittava alue jaetaan samankokoisiin soluihin, jotka kukin saavat yhden värin. Värien määrä riippuu siitä, kuinka moneen luokkaan kartantekijä haluaa jakaa aineiston. Molemmissa 4. kurssikerran kartoissa (Kuva 1 ja 2) on viisi luokkaa. Ruututeemakartan pohjalle voi asettaa tiestökartan, jota voidaan hyödyntää ilmiön tulkinnassa. Tässä tapauksessa tiestö auttaa lukijaa hahmottamaan Helsingin rakennetta eli esimerkiksi sitä, missä Helsingin keskusta ja ydinalue sijaitsevat.

Kuva 1. Ruotsinkielisten asukkaiden määrä Helsingin kunnassa.

Kuva 2. Ruotsinkielisten osuus prosentteina muusta väestöstä Helsingin kunnassa.

Lähteet

Sipoo. 2021. Avainluvut. Luettu 8.2.2022.

Avainluvut

Kolmannella luennolla harjoiteltiin muun muassa ulkoisen tiedon liittämistä QGIS:iin muista ohjelmista, tietokantojen yhdistämistä sekä uuden tiedon tuottamista laskutoimitusten avulla. Itsenäisenä harjoituksena oli koropleettikartan teko Suomessa esiintyvistä tulvista sekä diagrammin yhdistäminen karttaan järvisyysprosenttiaineiston pohjalta.

 

Luennolla tehtävässä harjoituksessa käytettiin aineistona mm. Afrikan valtiojaon karttaa, johon liitettiin erilliset aineistot Afrikassa tapahtuvista konflikteista, timanttikaivosten sijainnista sekä öljykenttien sijainnista. Lisäksi toimme ohjelmaan aineistoa exceliin taulukoiduista internetkäyttäjistä (mm. Facebook käyttäjämäärä).

 

Aineisto oli laaja, minkä takia navigointi QGIS:ssä etsien tarvittavia toimintoja oli haastavaa. Ohjelma on kuitenkin helppokäyttöinen, kun pikkuhiljaa alkaa muistamaan mitä välivaiheita kukin toiminto vaatii. Konfliktien ja timanttikaivosten välillä olevan yhteyden tutkiminen oli kiintoisaa ja ilmiön perusteellisempi ymmärtäminen kenties vaatiikin tiedon visualisointia. Kartalla voidaan esittää tietoa konfliktien ja timanttikaivosten määrästä suhteessa valtion kokoon tai väestöön ja samalla pohtia alueiden historiaa ja sitä, kuinka kaupunkien kehitys vaikuttaa väestörakenteeseen ja rikollisuuteen. Visualisointi mahdollistaa sen, että voidaan valita vaihtuva muuttuja, jota hyödynnetään kausaliteettien etsimiseen pohja-aineistossa. Vaihtuvaa muuttujaa voidaan myös käyttää vahvistamaan jo tutkittua yhteyttä kahden muun muuttujan välillä (esim. timanttikaivosten löytämisvuosi : konfliktien ja timanttikaivosten sijainti – Konflikteja on alkanut tapahtumaan enemmän alueilla, jossa on löydetty vähän ajan sisällä monia timanttikaivoksia.). Kartalle sijoitetuiden pisteiden avulla tiedon sisäistäminen on nopeampaa.

 

Kuten Jenna Mettälä mainitsee blogissaan, QGIS:ssä voidaan ryhmitellä ja yhdistää suurtakin määrää tietoa yhdeksi tietokannaksi. Tämä on joidenkin projektien kannalta varsin oleellista, sillä tietokantojen yhdistäminen säästää aikaa seuraavia toimintoja suoritettaessa sekä tekee aineistojen käsittelystä helpompaa. Paikkatieto-ohjelmia hyödynnettäessä kannattaa pitää mielessä, kuinka kunkin toiminnon tai komennon käyttämistä voitaisiin nopeuttaa/helpottaa luokittelemalla aineistoa etukäteen.

 

Itsenäisen tehtävän teossa onnistui hyvin aineiston lisääminen ohjelmaan sekä aineistojen yhdistäminen samaan attribuuttitaulukkoon hyödyntäen joins-toimintoa. Koropleettikartta on onnistunut ja siitä erottuu selkeästi alueet, joissa tapahtuu eniten tulvia. Kuitenkin järvisyysprosentin visualisoiminen histogrammina tai ympyrädiagrammina ei onnistunut. Jostain syystä kartalla näkyvät kuvakkeet ovat ristiriidassa legendan kanssa, jonka lisääminen viimeisteltyyn karttaan automaattisesti onnistuu yleensä huoletta.

Kuva 1. Koropleettikartta Suomen tulva-alueista.

Kuva 2. Epäonnistunut teemakartta 1.

Kuva 3. Epäonnistunut teemakartta 2.

Toisella luennolla käytiin läpi erilaisia valintatyökaluja (esim. Valitse kohteet kartalta arvon tai sijainnin mukaan) ja tarkasteltiin projektion vaikutusta karttaan ja sen mittoihin.

Valitaan kuvitteelliset pisteet A,B ja C kartalta (Kuva 1) ja lasketaan A:n etäisyys B:stä sekä kolmion ABC pinta-ala.

Taulukko 1. Projektioiden vertailu pisteiden A ja B välisen etäisyyden ja kolmion ABC pinta-alan avulla.

Projektio	AB pituus (km)	ABC pinta-ala (km^2)
ETRS-TM35FIN	Ellipsoidal: 125,334 Cartesian: 125,286	E: 2862 C: 2830
Robinson	C: 220,223	C: 4067,661
Mercator	C: 361,5	C: 23403,043
Patterson	C: 361,071	C: 10624,841
Natural Earth II	C: 220,165	C: 4201,841

 

ETRS-TM35FIN projektiolla pisteiden A ja B etäisyys toisistaan on noin 125 kilometriä. Pienin vääristymä on Natural Earth II ja Robinson projektioilla, jonka mukaan pisteiden etäisyys toisistaan oli noin 220 kilometriä. Suurimmat vääristymät aiheuttaa Mercatorin ja Pattersonin projektiot, jotka kuvasivat etäisyyden olevan noin 361 kilometriä. Kolmion ABC pinta-ala on ETRS-TM35FIN projektiolla noin 2830 neliökilometriä. Robinsonin projektiolla pinta-ala oli noin 4068 neliökilometriä ja Natural Earth II projektiolla noin 4202 neliökilometriä. Pattersonin projektiolla kuvattuna kolmion pinta-ala oli noin 10 625 neliökilometriä. Kaikista suurin vääristymä pinta-alassa oli Mercatorin projektiolla, jonka mukaan kolmion pinta-ala oli noin 23 403 neliökilometriä eli noin 8-kertainen ETRS-TM35FIN projektiolla mitattuun pinta-alaan verrattuna.

Kuva 1. Suomen kuntajako vuonna 2020 ETRS-TM35FIN-projektiolla.

Kuva 2. Pinta-alojen vertailu Mercatorin, Natural Earth II ja Pattersonin projektioiden sekä ETRS-TM35FIN projektion välillä. Luvut kuvaavat vääristymän suuruuden prosenttikerrointa.

Käytimme Suomen kunnat -karttaa (Kuva 1) apuna eri projektioiden vertailussa. Tehtävänä oli visualisoida kartalle kunkin projektion aiheuttaman pinta-alan vääristymän suuruus (Kuva 2). Tämä tehtiin hyödyntämällä QGIS:in laskukaava -toimintoa, jossa voidaan tutkia attribuuttitaulukkoon tallennettuja arvoja. Tutkittavia projektioita olivat Mercatorin projektio, Natural Earth II projektio sekä Pattersonin projektio. Näistä eniten pinta-alan vääristymiä aiheutti Mercatorin projektio, jossa Lapin pinta-ala on 7-8-kertainen sen todelliseen kokoon tai ETRS-TM35FIN projektiolla kuvattuun pinta-alaan verrattuna. Pienin muutos pinta-alassa oli Natural Earth II projektiolla, jossa vääristymien suuruuden prosenttikerroin vaihteli 1,256:sta 1,479:ään.

Visualisoinnissa käytettiin kahdeksan arvojoukon luokittelujakoa, jossa projektioiden vääristymät on helpompia havainnollistaa. Lisäksi lukija ymmärtää suuremman luokittelujaon avulla paremmin sen, että vääristymän koko kasvaa mentäessä Suomen eteläosista pohjoiseen. Kartta viimeisteltiin lisäämällä siihen legenda, mittakaava sekä pohjoisnuoli.

Ensimmäisellä luennolla harjoiteltiin QGIS:in perustoimintoja. Tavoitteena oli luoda koropleettikartta Suomen kuntien tietokannasta. Valitsin muuttujaksi naisten osuuden väestöstä prosentteina. 

Kuva 1. Koropleettikartta naisten osuudesta Suomen kunnissa vuonna 2015.

Kartan luominen oli hidasta, mutta lopulta ymmärsin mitä pitää tehdä ja osasin navigoida QGIS:ssä. Attribuuttitaulukon muokkaaminen on aluksi hankalaa, kun vaihtoehtoja ja erilaisia painikkeita on niin monia. Ohjelman käyttäminen vaatii kärsivällisyyttä. Toisaalta toimintojen suuri määrä mahdollistaa laajemman aineistojen käsittelyn. Kartan värejä on helppo muokata juuri sellaiseksi, kuin haluaa.

 

Harjoituksessa 1 tehdyn kartan mukaan (Kuva 1) naisten osuus kuntien väestöstä on keskimäärin suurempaa Suomen eteläosassa kuin pohjoisosassa. Esimerkiksi monissa Pohjois-Lapin kunnissa naisten osuus kunnan väestöstä on noin 44-48 prosenttia, kun taas suuressa osassa Etelä-Suomen kuntia se on noin 50-53 prosenttia. Suuressa osassa Suomen kuntia naisten ja miesten määrä on tasapuolinen – molempien osuus väestöstä on noin 50 prosenttia. Useimmissa kunnissa naisia on enemmän kuin miehiä (tai toisinpäin) vain noin prosentin verran.

 

Koropleettikartta (Kuva 1) on selkeä ja se sisältää kartan peruselementit (legenda, mittakaava ja pohjoisnuoli). Pohjoisnuoli osoittaa todelliseen pohjoiseen (True North), mikä täytyy erikseen muuttaa karttaa tehdessä. Muutoin pohjoisnuoli sijoittuu ruudukon mukaan. Legenda on selkeä ja koropleettikarttaan valitut värit erottuvat hyvin toisistaan. Kartta on informatiivinen ja sitä on helppo lukea, vaikka ei tuntisi alkuperäistä aineistoa.