Kuukausi: tammikuu 2023

Afrikan konfliktien sijainnit suhteessa alueen timantti- ja öljyesiintymiin

Afrikan konfliktit eivät vaikuta aiheutuvan timanttikaivoksista ja öljynporausalueista kuvan 1 kartan perusteella. Vaikka konflikteja esiintyy myös timantti- ja öljyesiintymien alueella eivät konfliktit selkeästi keskity näille alueille. Etelä-Afrikassa on esimerkiksi paljon timanttikaivoksia, mutta vain vähän konflikteja ja Itä-Afrikassa puolestaan paljon konflikteja ja vähän timantti- ja öljyesiintymiä. Myös Nikolai Tuuri on päässyt samanlaiseen lopputulokseen siitä, ettei pelkän kartan perusteella luonnonvaroilla ja konflikteilla vaikuta olevan säännöllistä yhteyttä. En löytänyt tietoa kartassa käytetyn aineiston lähteestä tai tarkasteltavasta aikavälistä. Nämä taidettiin mainita tunnilla, mutta en ymmärtänyt kirjoittaa niitä silloin ylös ja ne ovat päässeet unohtumaan.

Suomen alueiden tulvaindeksit ja järvisyysprosentit

Kuvassa 2 esitetään Suomen alueiden tulvaindeksejä ja järvisyysprosentteja. Myös tässä käytetyn aineiston lähde on minulta hukassa, koska latasin tiedostot vain kurssikansiosta. Tulvaindeksien väriluokituksessa pyrin tekemään alueiden väliset erot paremmin näkyviksi muodostamalla pienempiä ryhmiä kun arvot olivat alle 200. Näiden erojen näkyminen on mielestäni tärkeämpää kuin se, että jokainen väriluokan laajuus olisi samankokoinen. Kuvassa 3 näkyy vielä miten eri arvot sijoittuu eri ryhmiin. Huomasin, että joillain luokka-arvoilla osat alueet kartasta katoavat, vaikka luokat sisältävät kaikki aineiston arvot. Tämä jäi minua hieman mietityttämään, mutta onneksi kuitenkin sain ainakin omasta mielestäni esitettyä tulvaindeksit kartalla hyvin.

Harjoituksessa tarkasteltiin myös samojen alueiden järvisyysprosentteja. Järvisyysprosentit näkyvät sinisinä histogrammeina kuvassa. Mielestäni histogrammien käyttäminen järvisyyden kuvaamisessa on melko epäselvää, sillä pelkkää kuvaa katsomalla ei saa hyvää käsitystä siitä, miten suuria arvot ovat. Olisikin voinut olla parempi käyttää ympyrädiagrammia kuten Inna Marjamäki tekemässään kartassa. Toisaalta histogrammien avulla voi verrata eri alueiden suhteellisia eroja ja helposti näkee millä alueilla järvisyysprosentit ovat suurimpia.

Järvisyys ei vaikuta olevan syynä tulviin. Suurimmat tulvaindeksit sen sijaan sijaitsevat rannikkoalueilla, missä järvisyys on pientä. Ehkä järvisyys jopa suojaa alueita tulvien syntymiseltä, koska alueet eivät ole tasaisia ja vesi kerääntyy järviin. Aino Koskinen puolestaan pohtii samaa asiaa seuraavasti ”Näitä tuloksia tutkiessani mietin, että johtuisikohan rannikon suuret tulvaindeksit siitä, että valuma-alueet sijaitsevat lähellä merta, jossa säävaihtelut voisivat olla suurempia kuin muualla Suomessa, jolloin vettä sataa ja kertyy enemmän rannikoiden valuma-alueille.” Tämä myös vaikuttaa uskottavalle selitykselle.

Pylväiden saaminen näkyviin kuvaan oli odotettua hankalempaa ja vaati useita yrittämiskertoja. Sain lopulta pylväät näkymään, kun ymmärsin klikata kohtaa apply kohdasta size->attribute->find maximum value. Kesti myös hetken, että ymmärsin edes lisätä tiedon muuttujasta myös size-välilehdelle, sillä se oli kertaalleen mainittu jo attribute-välilehdellä.

Lähteet

Aino Koskinen. 2023. Geoinformatiikan menetelmät I 2023. Afrikan timanttikaivoksista Suomen valuma-alueisiin. luettu 19.3.2023

Inna Marjamäki. 2023. Innan blogi. 3. Kurssikerta, 3.2.2023. luettu 19.3.2023

Nikolai Tuuri. 2023. Nikolain blogi. 3. Kurssikerta. luettu 19.3.2023

Heti näin toisellla kerralla päädyin tekemään harjoituksia täysin itsenäisesti kotoa käsin, koska en onnistunut saamaan itseäni aamulla ylös sängystä. Harjoitteiden tekeminen oli hieman haastavampaa ja hitaampaa yksin, mutta onnistuin mielestäni kuitenkin ihan hyvin.

Projektioiden aiheuttamien vääristymien vertailua

Ensimmäisessä harjoituksessa tarkoituksena oli piirtää kolmio Suomineidon päähän niin, että se koskee Suomen rajoja ja verrata kyseisen kolmion pinta-alaa eri projektioilla. Ensimmäinen haaste tuli snapping-toiminnon kanssa, koska en ohjeissa neuvottu S-kirjaimen painaminen ei toiminut. Onneksi löysin netistä keskustelupalstalta ohjeen sen aktivoimiseen (StackExchange, 2014).

Seuraava haaste tuli, kun piirtämäni kolmio katosi vaihtaessani kolmanteen koordinaattijärjestelmään. Yritin hetken etsiä toimivaa undo-mahdollisuutta, mutta en sellaista löytänyt ja jouduin piirtämään uuden alueen ja aloittamaan alusta. Ctrl+Z ei siis toiminut tässä tilanteessa. Onneksi mittausten uusiminen oli suhteellisen nopeaa. Mittasin myöhemmin myös Suomen leveyttä Vaasan korkeudelta eri projektioilla. Tämä mittaviiva taisi tulla kuitenkin hieman vinohkoon. Taulukossa 1 on esitetty havaitut erot pinta-alassa ja pituudessa.

Toisessa harjoitteessa projektioiden vääristymistä muodostettiin koropleettikarttoja. Minä valitsin vertailtaviksi projektioiksi Mercatorin projektion (kuva 1), poikittaisen Mercatorin projektion (kuva 2) ja Winkel triplel -projektion (kuva 3). Mercatorin projektio on erittäin epäluotettava käsiteltäessä pohjoisia alueita. Se alueen pinta-alat ovat Suomessa jopa yli 700% suurempia kuin oikeasti! Kartaa tehdessäni yllätyinkin ja hetken mietin, että olenko tehnyt jotain väärin. Huomasin tulosten eroavan hieman muiden tuloksista ja muiden käyttäneen vääristymiskertoimia prosenttien sijaan. Vertasin tuloksiani mm. Annin ja Roopen tuloksiin, jotka olivat saaneet Mercatorin projektiolle väärisymiskertoimia väliltä 3,94-8,24. Itselläni vastaavat arvot prosentteina ovat 294,4-724,9. Asiaa pohdittuani ja testattuani ymmärsin, että he ovat laskeneet vääristymiskertoimen kaavalla Mercator_PA/Lambert_PA, kun taas itse käytin kaavaa (Mercator_PA-Lambert_PA)/Lambert_PA. Tämä selitti havaitut erot arvoissa ja antoi minulle hieman mielenrauhaa.

Projektioita tehdessä joudutaan joustamaan aina jonkin suhteen. Koska Mercatorin projektiosta haluttiin oikeakulmainen, tuli siihen suuria vääristymiä pinta-alan suhteen. Poikittainen Mercatorin projektio eroaa perinteisestä Mercatorin projektiossa siten, että se sivuaa nollapituuspiiriä nollaleveyspiirin eli päiväntasaajan sijaan. Tämä muuttaa vääristymien sijaintia kartalla ja tekee poikittaisesta Mercatorin projektiosta paljon sopivamman käsiteltäessä Suomea (vrt. kuva 1 ja kuva 2), sillä pinta-alojen vääristymät pysyvät alle prosentissa koko Suomessa .

Winkel tripel -projektio suurentaa Suomessa pinta-alaa jopa yli 50% tehden myös siitä epäluotettavan käsiteltäessä Suomen alueita. Winkel tripel -projektiossa on pyritty samaan aikaan minimoimaan sekä suunnan, pinta-alan ja etäisyyden vääristymiä.

Harjoituksen karttoja tehdessäni minulla oli ongelmia mm. karttojen pohjoisnuolen suunnan kanssa. Huomasin onneksi kuitenkin, että nuolen saa osoittamaan oikeaa suuntaan QGIS:in kohdasta item properties->image rotation->true north.

Lähteet

Lindegren Anni. 2023. Geoinformatiikan menetelmät. QGIS ja projektiot. Luettu 28.2.2023.

StackExchange. Geographic Infromation Systems. 2014. Snapping while measure in QGIS?

Vainio Roope. 2023. Roopen blogi. Viikko 2.  Luettu 28.2.2023.

 

 

Moikka!

Tämä blogi seuraa tutustumistani geoinformatiikan maailmaan. Postauksien perustana on Geoinformatiikan menetelmät 1 -kurssi, kurssilla saadut harjoitukset ja niistä mieleen nousseet pohdinnat. Hieman jännittää, miten tämmöisen blogin kirjoittaminen tulee onnistumaan, koska tämä ei ainakaan näin alussa tunnu ollenkaan luontevalle. Mielestäni on kuitenkin mukavaa, että pääsee näkemään, miten muut ovat harjoituksissa onnistuneet. Opiskelen maantiedettä sivuaineena, joten minulle erityisesti on varmaan hyötyä päästä lukemaan itseäni aiheessa  kenties viisaampien pääaineopiskelijoiden pohdintoja. Toisen blogin lukeminen pelastikin minut heti ensimmäisellä kerralla yhden virheen tekemiseltä tai pikemminkin antoi minulle mahdollisuuden korjata sen!

Ensimmäisen viikon tapaamisella aloimme tutustumaan QGIS-ohjelmistoon. Olin saanut sen käyttöön jo pintaraapaisun aikaisemmalla kurssilla, mutta tästä ei ollut jäänyt paljoa muistiin. Oli siis hyvä, että kävimme asioita askel kerrallaan yhdessä läpi. Toisaalta en kerennyt tunnilla painaa mieleeni kaikkia välivaiheita, joten luin kotona harjoituksen tehtävänantoa läpi uudelleen.

Itämeren typpipäästöt

Jatkoin kotona tunnilla aloitettua harjoitetta liittyen Itämeren typpipäästöihin. Kotona vaihdoin värimaailman punavihreästä harmahtavan sävyihin, jotta se olisi siistimmän näköinen ja todennäköisesti myös selkämpi punavihersokeille. Lisäsin myös valtioiden nimiä karttaan. Lopputulos on nähtävillä alla (kuva 1). Näin jälkikäteen ajatellen harmiden sävyissä olisi voinut olla suuremp ero, jotta ne eivät meneisi keskenään sekaisin. Viron typpipäästöt ovat pienimmät ja Puolan suurimmat. Ne ovat myös kuvassa omissa väriluokissaan.

Työttömien määrä Suomen kunnissa

Kotiin jäi lisäksi myös erillinen harjoitus liittyen Suomen kuntiin. Halusin tarkastella Suomen kuntien eroja työttömyydessä. Se tuntui mielestäni osuvalle, koska olen lähiaikoina stressannut melko paljon omaa työllistymistäni tulevaisuudessa. 😀 Se on myös yksi syy siihen, miksi olen aloittanut maantieteen opiskelun sivuaineena. Tässä harjoituksessa minulla oli hieman ongelmia ymmärtää, miten saan liitettyä kaksi aineistoa toisiinsa QGIS:in avulla. Kuitenkin, kun sain sen onnistumaan, loppu oli melko helppoa. Oli mielenkiintoista huomata, miten työttömien suhteellinen määrä kasvaa siirtyessä Pohjanlahden rannikolta idän suuntaan (kuva 2).

Loppuviimeistelyksi muutin kartan koordinaattijärjestelmän suositeltuun muotoon (EPSG:3035). Olisin unohtanut tämän ellen olisi vieraillut Lila Salosen blogissa. Kiitos siis Lilalle! Vaikka koordinaattijärjestelmä ei oikein vaikuttanut lopulliseen kuvaan, oli kuitenkin hyvä muistaa sen tarkastamisen tärkeys.

Kartta on mielestäni muuten selkeä, mutta valkealla merkityt (0,9-5% työttömiä)  kunnat erottuvat huonosti valkeaa taustaa vasten. Näitä on mm. Ahvenanmaan saaristossa. Se ei häirinnyt minua kuitenkaan niin paljoa, että olisin muuttanut asian. Selkeyden lisäksi Tilastokeskukselta saatu tieto on mielestäni luotettavaa ja kuvassa käytetty luokitus tilanteeseen sopiva.

Lähteet

Helcom metadata catalogue. https://metadata.helcom.fi/geonetwork/srv/fin/catalog.search#/home

Lila Salonen. Ensimmäinen kurssikerta, jatkoa kotona. luettu: 28.1.2023 https://blogs.helsinki.fi/slila/

Tilastokeskus. Kuntien avainluvut 1987-2021. https://pxdata.stat.fi/PXWeb/pxweb/fi/Kuntien_avainluvut/