Kategoriat
GIS

Viikko 3: Afrikka-aineistot ja Suomen tulvaindeksi

Afrikka -tehtävän tietokantojen aineistot

Tehtävänä oli pohtia, mihin valmiiden tietokantojen aineistoja voitaisi hyödyntää. Aineisto sisälsi dataa mm. Afrikan timanttikaivoksista ja öljykentistä. Molemmat näistä ovat uusiutumattomia luonnonvaroja, joiden avulla köyhien valtioiden on mahdollista rikastua. Kun tarkastellaan etenkin kaivosten ja öljykenttien tuottavuutta, voidaan päätellä kuinka paljon rikkauksia kullakin valtiolla suurin piirtein on käytettävissään.

Dataa löytyy myös siitä, kuinka paljon kussakin maassa on internetin käyttäjiä, sekä kuinka monella on Facebook. Kun suhteutetaan luvut asukaslukuun, voidaan karkeasti päätellä, mitä isompi prosentuaalinen osuus väkiluvusta kuuluu internetin piiriin, sitä parempi elintaso kyseisessä maassa on.

Kuva 1. Dataa Afrikan valtioista

Internetin sekä Facebookin käyttäjien määrä vaihtelee hyvin paljon eri valtioiden välillä. Kuvan 1. sarake Läpäisevyys kertoo prosentuaalisen osuuden väestöstä, joilla on Facebook käytössään.

Mielestäni internetin käyttäjämäärillä ja konfliktien määrillä on korrelaatiota keskenään, koska keskimääräisesti konflikteja näyttäisi olevan enemmän valtioissa, joissa on vähemmän internetin käyttäjiä.

Afrikan karu timanttibisnes

Häkkilä (2021) viittaa blogitekstissään avartavaan Time-lehden artikkeliin veritimanteista. Me ajattelemme, että on epäeettistä ostaa timantteja, joiden alkuperä ei ole tiedossa. Jos haluaa ostaa timantin, jonka löytäjällä on ollut inhimilliset työolosuhteet, kannattaa ostaa esim. Kanadassa tuotettu timantti. Tämä ei kuitenkaan paranna Afrikkalaisten timanttikaivosten työoloja, vaan helposti käy niin, kun haluamme suojella timanttikaivosten työntekijöitä, että todellisuudessa heistä tuleekin toimintamme uhreja ja heidän elantonsa ehtyy. Esimerkiksi Kongo tuottaa viidesosan maailman teollisuustimanteista ja noin 10% väestöstä on riippuvainen timanttituloista. Vaikka timantilla olisi jokin sertifikaatti eettisesti tuotetusta timantista, se ei kuitenkaan takaa kaivoksen hyviä työolosuhteita, eikä timanttia voida jäljittää mihinkään tiettyyn kaivokseen. Voidaanko ajatella, että ”reilun kaupan” timantit on huijausta? (Time.) Finnwatchin (2017) selvityksen mukaan suurin osa suomalaisista koruliikkeistä ei pysty jäljittämään myymiensä timanttien alkuperää.

 

Tulvaindeksi -tehtävä

Kotitehtäväksi minulle jäi tulvaindeksikartan tekeminen. Tehtävän teko sujui muuten hyvin, mutta loppuvaiheessa, kun minun olisi pitänyt liittää järvisyys -diagrammit karttaan, se ei onnistunut millään. Sain kyllä diagrammeja oikeille paikoille, mutta ne olivat paria diagrammia lukuun ottamatta kaikki saman kokoisia. Väänsin tämän kanssa useamman tunnin, mutta en saanut diagrammeista millään oikean kokoisia, niin että ne olisivat kuvanneet oikein alueen järvisyysprosenttia. Katsoin YouTubesta useita tutoriaaleja ja koitin kaikkia mahdollisia eri asetuksia, mutta ei. Illalla palasin vielä tehtävän pariin ja avasin koko tiedoston uudelleen QGIS:ssa. Laitoin diagrammit uudelleen pohjakartan päälle ja kappas vain, ne tulivat heti ihan oikein! Ilmeisesti ongelma oli QGIS -ohjelmassa ja vain projektin uudelleen avaaminen korjasi virheen. Huh, huh, ensi kerralla koitan tätä kikkaa jo vähän aiemmin.

Kuva 2. Suomen jokien tulvaindeksit ja valuma-alueiden järvisyysprosentit

Olen kuitenkin tyytyväinen Suomen tulvaindeksi -karttaani (kuva 2.). Siitä erottuu sinisellä hyvin alueet, joissa on korkea riski tulville, sekä punaiset diagrammit kertovat valuma-alueen järvisyydestä. Eli mitä korkeampi diagrammi on, sitä isompi osa alueen pinta-alasta on järviä. Kasper Mickos (2021) oli hienosti kiteyttänyt kartalla kuvatun ilmiön: järvet toimivat vesistöissä tasapainottavina tekijöinä, jotka varastoivat vettä pitkiä aikoja. Mikäli vesistössä ei ole paljoa järviä, suuret vaihtelut vesimäärässä johtavat helposti tulviin, sillä ylimääräinen vesi ei voi kerääntyä muualle kuin joen uomien ulkopuolelle.”. Myös Mickosen luoma kartta aiheesta (hänen blogissaan) on oikein selkeä.

Halutessaan oli mahdollista liittää karttaan pylväsdiagrammien sijasta ympyrädiagrammeja, jotka olisivat visualisoineet järvien ja maapinta-alan suhdetta toisiinsa. Lukiessani Pellikan (2021) blogipostausta, huomasin, että piirakkadiagrammien kanssa kartasta tulee hieman sekava ja ympyrät peittävät helposti pienemmät valuma-alueet kokonaan alleen. Siksi päätin itse esittää järvisyysprosentin pylväsdiagrammien avulla. Pakko vielä mainita, että Pellikan blogin etusivukuva on ihana ja sopii hyvin kurssin teemaan! Myös kaikki hänen tekemät kartat ovat todella selkeitä ja hyvin tehtyjä. Suosittelen vilkaisemaan hänen blogiaan.

 

Lähteet

Baker, A. & Addario, L. Blood diamonds. Time. Viitattu 24.2.2021 Blood Diamonds

Finnwatch (2017). Timanttien karu alkuperä. Viitattu 24.2.2021 Timanttien karu alkuperä

Häkkilä, J. (2021). Tietokantaliitoksia ja harjoitus 3 (päivittyy). Viitattu 24.2.2021 Juliana Häkkilä – Geoinformatiikan menetelmät 1

Mickos, K. (2021). Kurssiviikko 3: tietokantapainia.Viitattu 24.2.2021 Kasperin Blogi

Pellikka, I. (2021). Kurssikerta 3: Afrikan alueen tutkimista ja Suomen tulvaindeksikartan tekoa. Viitattu 24.2.2021 Inka Pellikan kurssiblogi

Kategoriat
GIS

Viikko 2: Tutustumista erilaisiin projektioihin

Mercatorin projektio

Suomeen sijoittuvaa aineistoa tarkastellaan useimmiten käyttäen ETRS89-TM35FIN projektiota. Siinä Suomen kunnat ovat sopusuhtaisia toisiinsa nähden. Kurssikerran aikana harjoittelimme yhdessä havaitsemaan eroja ETRS89-TM35FIN ja Mercatorin projektioiden välillä (kuva 1.). Kuvan 1. tumman oransseilla alueilla vääristymät ovat suurimmillaan, kun vastaavasti Suomen eteläisten kuntien, eli tumman liilojen, kuntien vääristymät ovat pienempiä suhteessa. Kuten Nyström (2021) blogissaan toteaa, Mercatorin projektio ei sovi kovinkaan hyvin kuvaamaan Suomea, irrotettuna muusta maailmasta.

Kuva 1. Suomen kunnat, kuvattuna Mercatorin projektiolla

Loximuthal projektio

Itse kokeilin verrata World Loximuthal projektiota ja ETRS89-TM35FIN projektiota. Vääristymät eivät olleet aivan yhtä suuria (kuva 2.) kuin edellisessä vertailussa, mutta Suomi oli hieman eri muotoinen kun laittoi päälle Loximuthal projektion. Kuten edellisessä, tässäkin suurimmat vääristymät sijoittuvat Suomen pohjoisosiin.

Kuva 2. Suomi kuvattuna Loximuthal projektiolla

Loximuthal projektio kuvaa alueet, jotka ovat lähellä päiväntasaajaa, tai nollameridiaanin tienoilla, hyvin oikeanmuotoisina. Etenkin kaukana nollameridiaanista ja päiväntasaajasta alueet muuttuvat hieman ”keikahtaneiksi”, kuten myös Suomi kuvassa 2. Kuva 3. auttaa hyvin havainnollistamaan, kuinka Loximuthal projektio toimii.

Kuva 3. Loximuthal projektio (mathworks.com)

Muut projektiot

Itse en tehnyt visualisointeja muista projektioista, mutta Mickos (2021) oli tutkinut Equal Earth projektiota ja tehnyt siitä hienon visualisoinnin. Kyseinen projektio on siitä mielenkiintoinen, että siinä vääristymät menevät asteittain leveyssuunnassa, kun puolestaan omissa tuotoksissani vääristymät suurenivat asteittain pituussuunnassa. Myös El Founti (2021) oli tehnyt vastaavanlaisen vertailun Quartic authalic projektion ja ETRS89-TM35FIN projektion välille. El Fountin ja Mickosen valitsemien projektioiden vääristymät olivat myös hyvin samaa luokkaa. Kummassakaan näissä ei ollut suuria vääristymäeroja havaittavissa Suomen kuntien välillä, joita puolestaan Mercatorin projektio näytti tuottavan.

 

Lähteet

El Founti, E. (2021). II: Projektiovääristymiä ja näkökulmia. Viitattu 10.2.2021 Geoinformatiikan menetelmät

MathWorks (2021). Loximuthal Projection. Viitattu 10.2.2021 Loximuthal Projection – MATLAB – MathWorks Deutschland

Mickos, K. (2021). Kurssiviikko 2: projektioita. Viitattu 10.2.2021 Kasperin Blogi

Nyström, S. (2021). Toinen kurssikerta. Viitattu 9.2.2021 Sandran mantsablogi

Kategoriat
GIS

Viikko 1: Perusharjoitteita QGIS -ohjelmalla

Kurssikerran harjoitteet

Ensimmäisellä kurssikerralla suurin osa ajasta meni vain mekaanisesti toistaen opettajan näyttämiä vaiheita kyseisen päivän QGIS -harjoituksesta. Seurasin opettajan jakamaa näyttöä iPadilta ja tein samalla läppärillä harjoitteita. Ilman toista ruutua en olisi todellakaan pysynyt tahdissa mukana! Aion jatkaa tätä, jo aiemmin hyväksi koettua taktiikkaa myös jatkossakin.

Ensimmäinen harjoite oli visualisoida kartalle kuvaus Itämerta ympäröivien maiden typpipäästöistä (Kuva 1). Onnistuin mielestäni tehtävässä ihan hyvin. Tosin valmiissa visualisoinnissa järvet peittävät maiden rajoja alleen hieman ikävästi. Aarrelahti (2021) oli omassa visualisoinnissaan jakanut typpipäästöt kolmeen eri värikategoriaan, kun itse käytän neljää eri kategoriaa. Jos vertaan omaani ja Aarrelahden (2021) karttaa, niin hänen visualisointinsa on ehkä hieman selkeämpi. Puolestaan Mattilan (2021) visualisointi vastasi melko lailla omaani, mutta hän oli käyttänyt voimakkaampia värejä omassa työssään. Itse pidän enemmän neutraalimmista väreistä, mutta tämähän on aivan makukysymys.

Kuva1. Itämeren typpipäästöt

Kotitehtävä

Kotona harjoittelin tekemään samantyylistä visualisointia Suomen kuntiin liittyvästä aineistosta. Valitsin tarkastelun kohteeksi vuokra-asuntojen määrän kuntien asuntokannasta. Aineiston data oli valmiiksi prosenttimuodossa, joten minun ei tarvinnut tehdä sen kummempia laskutoimituksia saadakseni haluamani tiedon esille.

Vuonna 2010 Suomen asuntokannasta 30 % oli vuokra-asuntoja ja eniten vuokra-asuntoja oli yliopistokaupungeissa (Tilastokeskus, 2011). Kuten Kuvasta 2. voi huomata, eniten vuokra-asuntoja vuonna 2015 on ollut seuraavissa kaupungeissa: Helsinki, Joensuu, Jyväskylä, Kuopio, Lahti, Maarianhamina, Oulu, Tampere, Turku ja Vaasa. Lukemat ovat melko samoja, kuin vuonna 2010.

Kuva 2. Tummanvihreällä kunnat, joissa paljon vuokra-asuntoja ja tummanruskealla kunnat, joissa vain vähän vuokra-asuntoja vuonna 2015
Kuva 3. Vuokra-asuntojen prosentuaalinen (%) määrä Suomen suurimpien kaupunkien asuntokannasta vuonna 2010 (stat.fi)

Arvattavissa oli, mistä kunnista löytyisi eniten vuokra-asuntoja, mutta itseni yllätti Maarianhaminan suuri vuokra-asuntojen prosentuaalinen osuus.

Tilastokeskuksen nettisivuilta en äkkiseltään löytänyt vuotta 2010 tuoreempaa artikkelia aiheeseen liittyen. On kuitenkin mielenkiintoista huomata, että vuoden 2010 ja 2015 lukemat näyttävät hyvin samankaltaisilta. Olisi mielenkiintoista ottaa tarkasteluun muutaman kunnan vuokra-asuntokannan kehitys useamman vuosikymmenen ajalta.

Muiden blogit

Pakko vielä mainita, että on todella mukavaa lukea muiden blogeja! En nyt toki vielä kaikkien blogeja ole käynyt läpi, mutta ajattelin joka viikko tutustua muutamaan uuteen blogiin. Tällä viikolla pisti silmään erityisesti Sandra Nyströmin blogi, koska hänkin opiskelee maantiedettä sivuaineena, kuten myös minä. Lisäksi meillä molemmilla on kandin kirjoitus tällä hetkellä työn alla. Ainakin itselläni vaatii tasapainoilua, jotta pystyy keskittymään kandin edistämiseen, samalla kun pitäisi aktiivisesti suorittaa muita paljon työtä vaativia kursseja. Toisaalta on ihan mukavaa pomppia maantieteen ja käsityötieteen maailmojen välillä samaan aikaan, koska se tuo mukavasti vaihtelua omaan tekemiseen. Tavoitteenani olisikin tuoda palanen geoinformatiikkaa omaan kandiini, sekä mahdollisesti myöhemmin myös graduun 😉

Palatakseni vielä Nyströmin (2021) ensimmäiseen blogitekstiin, hän oli hienosti visualisoinut Suomen muunkielisen väestön osuutta kunnittain. Kartta oli visuaalisesti selkeä, mutta blogissa kuva kartasta oli harmittavan pienellä, jolloin sen tarkastelu oli hieman haastavaa.

 

Lähteet

Aarrelahti, E. (2021). Kurssikerta 1: Perehdytystä kurssin asioihin ja QGIS -maailmaan. Viitattu 29.1.2021 Matkani Geoinformatiikan menetelmät 1 -kurssilla

Mattila, L. (2021). Ensimmäinen kosketus Qcissin maailmaan. Viitattu 29.1.2021 Lotta Mattilan blogi

Nyström, S. (2021). Ensimmäinen kurssikerta. Viitattu 29.1.2021 Sandran mantsablogi

Tilastokeskus. (2011). Yleiskatsaus 2010. Suomen virallinen tilasto (SVT): Asunnot ja asuinolot. Helsinki: Tilastokeskus. Viitattu 29.1.2021 Tilastokeskus – Asunnot ja asuinolot (stat.fi)