Viikko 7

Viimeisen harjoituksen tekeminen tuntui erittäin vaikealta, kun sopivaa dataa ei meinannut löytyä. Olin kuitenkin kiinnostunut eroista Yhdysvaltojen osavaltioiden välillä ja siitä, miten perinteisesti vetovoimaiset osavaltiot kuten New York ja Kalifornia ovat menettämässä asukkaita.

Mikä tekee osavaltiosta houkuttelevan?

Kuva 1.
Kuva 2. Osavaltioiden korkein tuloveroprosentti vuonna 2022

Päätin vertailla keskenään väkiluvun muutosta prosentteina vuosien 2020 ja 2021 välillä (Kuva 1) ja osavaltioiden korkeimpia tuloveroprosentteja (Kuva 2). Osavaltioilla joko ei ole lainkaan tuloveroa, tulovero on tasavero tai sitten se on progressiivinen. Lisäksi Washingtonin osavaltiossa on vain pääomatulo 7 % ja New Hampshiressa korko- ja osinkovoitto 5 % verotettavaa osavaltion puolesta. Kartan perusteella ainakin kaikki 7 osavaltiota, joissa tuloveroa ei ole lainkaan ovat kasvaneet asukasmäärältään. Toisaalta taas korkeimpien tuloverojen osavaltiot eli Kalifornia, New York ja New Jersey ovat menettäneet asukkaitaan.

Veroprosentti ei kuitenkaan ole ainoa tekijä, joka vaikuttaa asukasmäärän muuttumiseen. Siihen vaikuttanee vahvasti esimerkiksi työ- ja koulutusmahdollisuuksien määrä, asuntojen hinnat ja saatavuus ja koettu turvallisuus. Lisäksi vuonna 2020 alkanut koronapandemia vaikuttanee esimerkiksi siihen, että suurista kaupungeista on osa saattanut muuttaa pois.

Loppupäätelmät viikolta

Käytin todella runsaasti aikaa etsien sopivaa dataa, mikä tuntuikin olevan haastavaa. Sopivan datan löydyttyä, oli sen kartalle saaminen suhteellisen helppoa. Löysin myös itse tavan saada Alaska ja Havaiji samaan kuvaan QGisissä, mistä olen ylpeä 😀 Datan lähteiden suhteen olen melko luottavainen. Arvioidut asukasluvut ovat Yhdysvaltain väestönlaskentavirastolta peräisin. Osavaltioiden tuloveroprosentit löysin sen sijaan Tax Foundationilta, joka on ilmeisesti poliittisesti korkeaa verotusta vastaan, mutta jonka toiminta perustuu kuitenkin tutkimukseen.

Lähteet

Kuva 1: United States Census Bureau, Annual Estimates of the Resident Population for the United States, Regions, States, District of Columbia and Puerto Rico: April 1, 2020 to July 1, 2021, State Population Totals and Components of Change: 2020-2021. Lainattu 10.6.2022, saatavilla: https://www.census.gov/data/tables/time-series/demo/popest/2020s-state-total.html#par_textimage_1574439295

Kuva 2: Tax Foundation (2022). State Individual Income Tax Rates and Brackets for 2022. Lainattu 10.6.22, saatavilla: https://taxfoundation.org/publications/state-individual-income-tax-rates-and-brackets/

Viikko 6

Kurssikerralla käytiin keräämässä omaa dataa Epicollect5 -sovelluksen avulla ja tuotiin tämä data QGisiin käsiteltäväksi. Tämän sovelluksen käytön osaaminen osoittautui hyödylliseksi projektiharjoituskurssilla, jossa keräsimme oman pisteaineiston kartalle.

Mitä yhteistä on tulivuorilla ja maanjäristyksillä?

Kuva 1.
Kuva 2.
Kuva 3.
Kuva 4.

Kartat kuvaavat mielestäni ihan hyvin sitä, miten tulivuorten purkaukset ja maanjäristysten sijainnit osuvat usein samoille alueille. Lisäksi Kuvista 1, 2 ja 3 voi huomata, miten paljon harvinaisempia suuremman magnitudin maanjäristykset ovat noustessa Richterin asteikolla. Tätä selittää se, että asteikko on logaritminen eikä lineaarinen kuten monet muut asteikot esim. lämpötila.

Maanjäristykset ja tulivuoret ovat seurausta laattatektoniikasta eli litosfäärilaattojen liikkeestä. Kuten tästä kuvasta ilmenee, sijoittuvat maanjäristykset ja tulivuoren purkaukset usein laattojen saumakohtiin. Maanjäristyksiä tapahtuu erityisesti saumoissa, joissa laattojen liike voi ikään kuin jumiutua, joka sitten vapautuessaan vapauttaa suuren määrän energiaa maanjäristyksen muodossa.

Lähteet

EarthHow (2019). 7 Major Tectonic Plates: The World’s Largest Plate Tectonics. Kuva 1. Lainattu 9.6.2022, saatavilla: https://earthhow.com/7-major-tectonic-plates/

 

 

Viikko 5: Ongelmanratkaisua ja työkalujen kokeilua

Tämän viikon harjoituksissa oli teemana mm. harjoitella buffereiden ja muiden QGISin työkalujen käyttöä. Ennen kaikkea oli tarkoitus soveltaa tähän asti kertynyttä osaamista ongelman ratkaisun muodossa.

Lentokenttiä ja juna-asemia

Tehtävässä 1 oli tarkoituksena käyttää osaamista mm. bufferien ja QGISin prosessityökaluista join by attributes -toiminnon käyttöä selvittämään lentokenttien ja juna-asemien läheisyydessä asuvien ihmisten määrää.

Tehtävä 1.

Malmin lentokenttä
Kuinka moni asuu 2 km säteellä Malmin lentokentästä? 58 789
Kuinka moni asuu 1 km säteellä Malmi lentokentästä? 9049
Kuinka moni 1 km säteellä olevista rakennuksista on rakennettu lentokentän käyttöönoton jälkeen (1936)? Kuinka paljon niissä asuu ihmisiä? 769 rakennusta, joissa asuu 8854 ihmistä.
Helsinki-Vantaan lentokenttä
Kuinka moni asuu alle 2 km päässä kiitoradoista? 11 753
Kuinka moni näistä asuu pahimmalla meluvyöhykkeellä (yli 65 dB)? 0,16 % (19 ihmistä)
Kuinka moni asuu vähintään 55 dB -meluvyöhykkeellä? 11 923
Kuinka moni asuu poikkeuksellisen laskeutumissuunnan meluvyöhykkeellä, jossa melu on yli 60 dB? 13 212
Juna-asemat
Kuinka moni asuu alle 500 m päässä asemasta? 111 765
Kuinka suuri osa alueen asukkaista asuu 500 m päässä asemasta? 21,7 %
Kuinka monta prosenttia näistä ihmisistä oli työikäisiä? (15–64 v) 67,1 %

Tähän mennessä hyvin tutuksi tullut Select Feature -toiminto oli jälleen monessa tehtävässä hyödyllinen. Etenkin valinta muuttujan arvojen perusteella oli monessa tehtävässä tarpeellista. Uutena toimintona Statistics -paneeli oli tässä tehtävässä tärkeä. Sen avulla pystyi katsomaan tasolta eri muuttujiin liittyviä tilastoja, sekä vain niistä muuttujista, jotka oli valittu Select Features -työkalulla.

Taajaman asukkaat

Tehtävä 2.

Kuinka moni alueen asukkaista asuu taajamissa? 96,2 %
Kuinka moni kouluikäinen (7–16 v) asuu taajamien ulkopuolella? Kuinka monta prosenttia tämä on kaikista kouluikäisistä? 2267. Tämä on 3,9 % kaikista kouluikäisistä.
Kuinka monella alueella ulkomaalaisten osuus on yli 10 %? 57
Kuinka monella alueella ulkomaalaisten osuus on yli 20 %? 45
Kuinka monella alueella ulkomaalaisten osuus on yli 30 %? 14

Tässä tehtävässä käytin edelleen Select Features työkalua, nyt hyödyllinen oli Select by Location. Kouluikäisiä varten tein uuden muuttujan Field Calculator -toiminnolla laskemalla nämä ikäryhmät yhteen. Sitten käytin Invert Feature Selection -toimintoa valitsemaan taajamien ulkopuoliset talot. Ulkomaalaisten osuuksien laskemiseen eri taajama-alueilla käytin Join attributes by location (summary) -toimintoa.

Uima-altaita pääkaupunkiseudulla

Kuinka monta uima-altaalla varustettua rakennusta löytyy pääkaupunkiseudulta? 855
Kuinka paljon asuu asukkaita sellaisissa taloissa, joissa on uima-allas? 12 170
Kuinka moni noista taloista on omakotitaloja? Entä kerrostaloja tai rivitaloja? 345 omakotitaloa

158 paritaloa

113 rivitaloa

181 kerrostaloa

Mikä on kaikkein uima-allasrikkain osa-alue? Lauttasaari
Kuinka monessa talossa on sauna ja kuinka monta prosenttia se on kaikista asutuista taloista pääkaupunkiseudulla? 21 922 talossa on sauna. Tämä on 24,2 % kaikista taloista.
Kuva 1. Uima-altaiden määrä eri pienalueilla pääkaupunkiseudulla.

Tässä tehtävässä tarpeelliseksi tuli samoja työkaluja kuin edellisissäkin tehtävissä. Myös aikaisemmalla kerralla opittu tietokantaliitos oli tarpeellinen. Yhdistäessäni tiedot uima-altaista alueisiin tapahtui jokin virhe kahdella alueella ja jouduin kertomaan ohjelmalle, että jättää nämä alueet pois laskuista. Ne näkyy kartalla vaaleina kohtina. Tuloksia pohtiessani aloin miettimään, voiko olla mahdollista että vain alle neljänneksessä taloissa on sauna? Siis Suomessa? Sain kuitenkin varmistuksen että laskut olivat luultavasti menneet oikein, koska myös Ronja oli päätynyt blogissaan samaan tulokseen. Ronjalla oli myös tullut sama ongelma Join -toimintoa käyttäessä kuin itselläni, mikä antoi mielenrauhaa ettei virhe johtunut jostain omasta mokastani.

Loppupäätelmät viikolta

Tämän viikon tehtävissä käytin eniten select -työkalua eri ehtojen perusteella. Myös ”join attributes by location” -prosessi tuli tutuksi. Nämä olivat hyödyllisiä valitsemaan tason attribuuttitaulusta tiettyjä rivejä tietyillä ehdoilla sekä yhdistämään tasoja, jotka olivat maantieteellisesti samalla alueella.

Puskurivyöhykkeitä voidaan käyttää selvittämään esimerkiksi etäisyyksiä tietystä pisteestä, viivasta tai polygonista. Sitä voidaan käyttää myös vaihettuvien vyöhykkeiden luomiseen, jossa jonkin muuttujan arvo riippuu etäisyydestä jostakin pisteestä.

Lähteet

Sonninen, Ronja (2022). Tiedon analysointia. Lainattu 24.3.2022, saatavilla: https://blogs.helsinki.fi/sronja/tiedon-analysointia/

 

Viikko 4: Homma toimii

Tällä viikolla tutustuttiin ruutukarttojen tekemiseen, uuden vektoriaineiston luomiseen ja ensimmäistä kertaa rasteriaineistojen käsittelyyn QGIS:ssä.

Ruututeemakartta suomenruotsalaisten suhteellisesta määrästä pääkaupunkiseudulla

Päätin tehdä ruututeemakartan ruotsia äidinkielenään puhuvien alueellisesta jakautumisesta pk-seudulla. Ruutukartta mahdollistaa joidenkin absoluuttisten arvojen esittämisen sellaisenaan kartalla, koska jokainen ruutu on samankokoinen, jolloin luvut ovat jo valmiiksi suhteutettuna pinta-alaan. Esimerkiksi asukaslukua eri ruuduilla voisi näin kuvata absoluuttisilla arvoilla. Ruotsinkielisiä päätin esittää kuitenkin suhteellisena määränä ruudun koko asukasluvusta. Ruotsinkielisiä olisi absoluuttisesti esitettynä paljon niissä ruuduissa, joissa olisi muutenkin paljon asukkaita, joten sellaisen esityksen informaatioarvo on melko pieni.

Ruotsinkielisten osuus 1 x 1 km -ruuduissa.

Ennen kuin tein hienosäätöjä kartan ulkoasuun, oli se hyvin vaikeasti tulkittavissa. Ruudut peittivät kaiken muun kartan informaation alleen, joten ruutujen paikallistaminen oli vaikeaa. Lisäsin kartalle tietokannan tiestöstä, vahvistin kuntien rajoja, laitoin ruudut läpinäkyviksi ja tein ruutujen reunoista ohuet. Lopputulos on mielestäni hyvin luettava. Koska tiestö -tietokannassa oli eroteltu erityyppiset tiet, olisi ne voinut esittää vielä esimerkiksi eri väreillä ja paksuuksilla, joka olisi entisestään helpottanut ruudun sijainnin ymmärtämistä. Lisäksi vaikkapa joidenkin paikannimien, esimerkiksi juna- ja metroasemien lisääminen helpottaisi kartan lukijalle oman asuinpaikan löytämistä.

Kartassa näkyvillä ruuduilla asuu vähintään yksi ihminen, muut ruudut karsin pois näkyvistä. Kartalla on kuitenkin useita ruutuja, joissa asuu vain muutama ihminen. Tällaisissa ruuduissa ruotsinkielisten osuus voi olla korkea vaikka siellä asuisikin vain yksi ruotsinkielinen. Esimerkiksi Espoossa Haukilahden edustalla olevalla Brändholmin saarella näyttäisi olevan kaikkein tummimman värisin ruutu. Katsottuani attribuuttitaulusta ruudun asukasmäärää huomasin, että sillä asuu vain yksi ihminen (joka on ruotsinkielinen). Eipä siis myöskään suhteellinen esitys onnistu täysin ongelmitta.

Huolimatta tästä yhden henkilön ruudusta Espoon rannikolla, näyttäisi ruotsinkielisten osuus olevan korkeampaa muillakin alueilla Espoon ja Helsingin rannikolla. Myöskin esimerkiksi Helsingin kantakaupunki ja Östersundom, Kauniainen sekä Nuuksion alue näyttäisivät olevan ruotsinkielisen väestön kasautumia. En tiedä tarkalleen mistä erot ruotsinkielisten osuudessa eri alueilla johtuu, mutta arvelisin että syyt ovat historialliset ja elintasoeroista johtuvat. Meren läheisyydessä sijaitsevat alueet ovat yleisesti halutumpia ja niin myös kalliimpia kuin muut alueet. Kauniainen on myös kysyttyä ja kalliimpaa aluetta esimerkiksi matalan kunnallisveron takia. Suuren osan Suomen historiasta ruotsi oli sivistyneistön kieli, joka saattaa näkyä vielä nykypäivänäkin koulutus- ja elintasoeroina ruotsin- ja suomenkielisten välillä. Esimerkiksi Elida Peuhu kertoo blogissaan ruotsinkielisten korkeasta osuudesta Espoossa juontuvan ruotsalaisten siirtolaisten asettumisesta alueelle.

Ruututeemakartta on mielestäni hyvin selkeä esitystavaltaan verrattuna koropleettikartaan tai pisteteemakarttaan, koska kaikki ruudut ovat samankokoisia. Ruututeemakartta antaa nopeasti yleiskuvan ilmiön alueellisuudesta ilman että tarvitsisi alkaa vaikkapa zoomailemaan. Ongelmina on sen sijaan esimerkiksi ruutukartan ruutujen keinotekoisuus. Ne eivät muodosta mitään oikeaan maailmaan liittyvää yhtenäistä aluetta, vaan voi käydä kuten minulla ja yhteen ruutuun jäädä vaikka juurikin yksi asukas.

Rasteriaineiston käsittelyä

Jälleen kurssikerran asioista on kulunut sen verran aikaa, että täytyi virkistää muistia ohjetta lukemalla mitä sitä tulikaan tunnilla tehtyä. Yhdistimme neljässä osassa olevan korkeusmallin yhdeksi rasteritasoksi tekemällä virtuaalisen rasteritason, jonka eroa normaaliin tasoon en ymmärtänyt. Tätä yhdistettyä korkeusmalli -rasteria käytimme kuitenkin korkeuskäyrien ja vinovalovarjosteen tekemiseen.

Palomäki korkeusmallista tehdyillä korkeuskäyrillä.
Palo(n)mäki vuoden 1991 peruskarttalehdeltä.

 

 

 

 

 

 

 

 

Kun korkeusmallista tietokoneen tekemiä korkeuskäyriä vertaa vuoden 1991 peruskarttalehteen, voi havaita että tietokoneen tekemänä käyrissä on paljon epätasaisuutta ja mutkittelua kohdissa, jotka ovat rajakorkeudella. Jos vierekkäisissä pisteissä on korkeus vaikkapa 10 metrin molemmin puolin, tulee tätä mutkittelua helposti. Peruskarttalehdessä on sen sijaan tehty karkeampi yleistys korkeudesta, jotta käyrästä tulisi miellyttävämmän näköinen ja helpommin luettava.

Teimme lisäksi rasterimuotoisen taustakartan avulla piirtämällä uusia vektoritasoja mm. teistä ja rakennuksista. Tämä oli mielestäni aika suoraviivaista ja mekaanista puuhaa. Tiet tulivat viiva-muotoiseksi vektoritasoksi ja rakennukset pistetasoksi.

Loppupäätelmät viikolta

Tämä oli ensimmäinen viikko, kun pahempia ongelmia ei tullut ollenkaan eteen. Joko minulla kävi hyvä tuuri tai sitten olen oikeasti oppinutkin jotain tähän mennessä kurssia. Rasteriaineisto tuntui hieman kankealta verrattuna vektoriaineistoihin. Esimerkiksi käyttämässämme taustakartassa paikannimet näkyivät selvästi vain tietyltä etäisyydeltä suurentaessa. Toisaalta korkeusmalli -rasteriaineisto mahdollisti tarkan kuvauksen alueen pinnanmuodoista.

Lähteet:

Peruskartta 1:20 000, lehti 2043 12 Pornainen. Maanmittaushallitus, Helsinki 1991. Saatavilla: http://vanhatpainetutkartat.maanmittauslaitos.fi/

Peuhu, Elida (2022). Ruutukarttoja ja rasteriaineistoja. Geoinformatiikan menetelmät. Lainattu 23.2.2022, saatavilla: https://blogs.helsinki.fi/elida/

Viikko 3: Tietokantojen pelokasta yhdistelyä

Unohdin siirtää tunnilla tuotetut aineistot OneDriveen, joten päätin jättää blogin kirjoittamisen vasta siihen kun sain seuraavan viikon tunnilla siirrettyä ne. Nyt kun viikon 3 tunnista on jo yli viikko ei asiat ole aivan niin tuoreessa muistissa. Päällimmäiset mietteet viikolta on kuitenkin, että uutta asiaa tuli runsaasti. Ensimmäinen kosketus tuli esimerkiksi QGIS:in prosessointi työkalujen käyttöön ja tietokantaliitosten tekemiseen. QGIS:n puutteellisuus monessa toiminnossa ja esimerkiksi varovaisuus, jota pitää noudattaa ettei ohjelma kaadu ihmetyttää.

Afrikka

Koitin tehtävänantoa selailemalla palauttaa mieleen, mitä kaikkea uutta tehtävään liittyen tuli opittua. Uusia asioita oli esimerkiksi tietokannan siistiminen rivejä yhdistämällä Merge-toiminnolla ja Dissolve-toiminnolla. Lisäksi tutuksi tuli tietokantaliitosten tekeminen, joka kuulemma tulee olemaan todella peruskauraa paikkatietoaineistojen käsittelyssä. Siihen nähden, että toimintoa käytetään runsaasti oli mielestäni erikoista, miten varovainen liitoksen tekemisessä joutui olemaan ettei ohjelma kaadu.

Kuva 1. Kartta luonnonvarojen ja konfliktien sijoittumisesta Afrikassa.

Kuvassa 1 näkyy konfliktien sijoittumista suhteessa luonnonvarojen sijaintiin. En ymmärtänyt täysin kartalla näkyvien pisteiden merkitystä, koska esimerkiksi Angolassa oli attribuuttitaulun tietojen perusteella ollut 69 konfliktia, mutta konflikteja merkkaavia pisteitä näyttäisi olevan Angolassa paljon vähemmän. Ehkäpä siis yksi piste voi merkitä useampaakin konfliktia. Konflikteja näyttäisi esiintyvän paljon maissa, joissa on myös paljon luonnonvaroja. Toisaalta on myös maita, joissa on paljon konflikteja, mutta ei juurikaan luonnonvaroja (esim. Etiopia) ja paljon luonnonvaroja, mutta ei konflikteja (esim. Gabon).

Tietokannoista löytyi lisäksi paljon muutakin tietoa, jota ei tässä kartassa ole esitelty. Sieltä löytyi esimerkiksi tiedot konfliktien tapahtumavuosista, konfliktin laajuudesta, sekä timanttikaivosten että öljykenttien löytämisvuosista, käyttöönottovuosista ja tuottavuusluokitteluista. Lisäksi oli internetin ja Facebookin käyttäjien lukumäärä eri vuosina. Näillä tiedoilla voisi esimerkiksi verrata luonnonvarojen löytövuosia konfliktien alkamisvuosiin. Ilman syvempää perehtymistäni aineistoon, oletukseni on että konflikteja on syttynyt enemmän niinä vuosina kun uusia luonnonvaroja on löytynyt. Oletan näin, koska erilaiset etniset ja poliittiset ryhmittämät epävakaissa maissa luultavasti taistelevat oikeuksistaan luonnonvaroista saataviin rikkauksiin. Toinen mielenkiintoinen vertailu voisi olla Facebookin ja internetin käyttäjien määrä suhteessa konfliktien määrään. Sosiaalisen median roolista esimerkiksi 2010-luvun alussa Pohjois-Afrikasta alkaneessa Arabikeväässä on keskusteltu laajalti.

Tulvaindeksi

Toinen viikon tehtävä oli koropleettikartan tekeminen, jossa muuttujana on tulvaindeksit Suomen valuma-alueilla. Tulvaindeksi kuvaa joen herkkyyttä tulvimiselle ja se lasketaan keskiylivirtaaman ja keskialivirtaaman suhteena. Toisin sanoen siis vertaillaan kuinka moninkertainen joen vuoden suurin virtaama on verrattuna pienimpään virtaamaan.

Kuva 2. Suomen valuma-alueet.

Päätin yksinkertaistuksen vuoksi jättää kartasta joet ja järvet pois näkyvistä, koska mielestäni niiden kanssa kartta näytti hyvin sekavalta. Järvisyyttä kuvaa ympyrädiagrammi, joka jäi kyllä huonosti luettavaksi pienemmillä valuma-alueilla. Selvästi kartan ulkoasun muokkaamisessa on vielä paljon opittavaa. Olisin lisäksi halunnut merkitä ympyrädiagrammin paremmin legendaan, mutta en keksinyt miten se tehdään.

Kartasta voi havaita, että tulvaherkät alueet sijoittuvat rannikoille. Niissä järvisyysprosentti on pientä, mistä johtuen valuma-alueella on vähemmän vedenvarastointi mahdollisuutta. Lisäksi rannikkoalueiden pienet korkeuserot ja esimerkiksi maankohoaminen altistavat tulville. Topias Vanhatalo tuo esiin blogissaan syitä Lapin suurien jokien verrattain pienille tulvaherkkyyksille. Suuremman järvisyyden ja korkeuserojen lisäksi hän toteaa voimalaitoksien toimivan vedenpinnan korkeutta säätelevänä tekijänä.

Loppupäätelmät viikolta

Omien kokemusteni pohjalta sekä muiden blogeja lukiessa toistuva ongelma tuntuu olevan se, että koulun koneella tehtyjä töitä ei saakaan avattua omalla koneella. Itsellä tällä viikolla se johtui hajamielisyydestä kun en muistanut siirtää tiedostoja tunnin lopuksi. Tähän voisi olla ratkaisuna HY:n kotihakemiston käyttäminen tallennuspaikkana kaikilla koneilla, jolloin ei tarvitsisi siirtää mitään. Täytyykin tutustua sen käyttöönottoon paremmin.

QGIS tuli taas hieman tutummaksi (myös huonot puolet). Vaikkakaan ei aina helppoa, GIS on mielestäni oikein mukavaa puuhaa. Kun tietokantoja joutuu itse käsittelemään ja havainnollistamaan kartalla tulee sen sisältämää tietoa pohdittua tarkemmin ja samalla oma maantieteellinen ymmärrys laajenee.

Lähteet

Vanhatalo, Topias (2022). Concatenate ja epätoivoinen taulukkopaini. TKV MAA-202 BLOGI. Lainattu 14.2.2022, saatavilla: https://blogs.helsinki.fi/topiasva/2022/02/03/concatenate-ja-epatoivoinen-taulukkopaini/

 

Viikko 2: Karttaprojektioilla on väliä

Tämän viikon aiheena oli eri projektioiden vertailu käyttäen eri toimintoja QGIS:ssä. Uusia toimintoja, jotka tulivat tutuiksi olivat esimerkiksi mittatyökalun käyttö ja geometriatietojen lisääminen attribuuttitauluun vektoritasolta. Projektioiden merkitys selveni jonkun verran tämän kerran myötä, mutta myös uusia kysymyksiä heräsi. Miksi esimerkiksi pinta-ala laskuissa ei käytettäisi todellisia maastosta mitattuja arvoja? Ei kai silloin projektion valinnalla pitäisi olla merkitystä tuloksiin?

Projektioiden vertailua taulukossa

Hyödynsimme tunnilla QGIS:n mittatyökalua vertailtaessa eri projektioita, ja sitä miten samasta kohtaa Suomea otetut etäisyyden ja pinta-alan mitat muuttuvat eri projektioissa. Valitsin aluksi täysin sattumanvaraisesti eri projektioita ja kirjasin tulokset ylös. Päätin kuitenkin tehdä mittaukset uudestaan ja valita vertailtavaksi yhden jokaista projektiotyyppiä: oikeakulmaisen, oikeapintaisen, oikeapituisen ja kompromissi projektion. Näitä projektioita vertailin Suomessa yleisesti käytettävään ETRS89-TM35FIN -projektioon, koska se vääristää Suomen mittoja vain vähän.

Väänsin Excelissä lukujen kanssa aivan tarpeettoman pitkän ajan ja turhautuminen alkoi jo olemaan läsnä, kun en saanut laskuja suoritettua edes kattavan Googlettelun jälkeenkään. Ongelma kuitenkin ratkesi lopulta kun muistin, että olin muuttanut aikaisemmin desimaalierottimen pilkusta pisteeksi 😀 Tästä johtuen Excel ei tunnistanut soluja lukuarvoiksi. Tämän ratkettua onneksi homma lähti rullaamaan.

Taulukko 1. Projektioiden vertailua.

Ensimmäinen havainto taulukosta 1 on, että Mercatorin projektio vääristää pinta-alaa todella paljon. Mitattava alue oli Suomen ”päälaelta”. Mercatorin projektion ollessa pystysuuntainen lieriöprojektio, jossa sivuamiskohta on päiväntasaajalla, vääristyy alueet sitä enemmän, mitä kauempana ne on päiväntasaajalta. Suomen päälaen korkeudella pinta-ala näyttäisi olevan lähes 7,5-kertainen verrattuna ETRS89-TM35FIN -projektioon. Sekin on Mercatorin projektio, mutta poikittainen sellainen, eli sivuamiskohta on päiväntasaajan sijaan pituuspiiri 27° itäistä pituutta.

Taulukosta nähdään myös, että Lambertin oikeapintainen projektio on pinta-alaltaan hyvin lähellä. Tasavälinen kartioprojektio on taas pituudeltaan hyvin lähellä. Toisaalta siinä myös pinta-ala näyttäisi olevan melko lähellä.

Kuva 1. Kuvakaappaus tasavälisen kartioprojektion (World_Equidistant_Conic) kuvauksesta.

Tarkemmin projektion kuvausta lukiessani löysin hieman vaikeasti luettavasta koodista, että kartioprojektion standardileveyspiiriksi on valittu 60° leveyspiiri (kuva 1). Tällöin siis sivuamiskohta kulkee eteläisen Suomen kautta, joten vääristymä ei myöskään Lapissa ole vielä kovin suurta.

Robinsonin projektio on kompromissi projektio eli se ei näytä mitään ominaisuutta täysin oikein. Taulukosta nähdään, että vääristymät ovat maltillisia verrattuna esimerkiksi Mercatorin projektioon.

Projektioiden vertailua havainnollistavien karttojen avulla

Tässä tehtävässä hyödynnettiin QGIS:n geometriatyökalua vektoritasoille, jolla saatiin luotua uusi vektoritaso, jolla oli edellisen tason attribuuttien lisäksi tiedot polygonien pinta-aloista ja ympärysmitoista. Näin saatiin kunnat2020 -tasolle laskettua kuntien pinta-alat eri projektioissa.

Kuva 2. Mercatorin projektio.
Kuva 3. Robinsonin projektio.
Kuva 4. Winkel Tripel -projektio

Pohdin karttoja tehdessäni, olisiko parempi kuvata kartat samassa ETRS89-TM35FIN -projektiossa vai käyttää jokaiseen karttaan omaa projektiotaan. Päädyin jälkimmäiseen vaihtoehtoon gis-ammattilaisen mielipidettä kysyttyäni. Tällä tavalla saa myös visuaalisesti havainnoitua, miten kartta venyy eri projektioissa.

Jälleen kerran havaitaan kuvasta 2, että Mercatorin projektio vääristää pinta-aloja eniten. Kartta tukee myös taulukossa 1 tehtyä laskelmaa, jossa pinta-ala vääristymä oli noin 7,5-kertainen. Itselle yllättävä tieto kartasta oli, kuinka paljon vääristymissä on eroa myös Suomen sisällä. Etelä-Suomi vääristyy pienimmillään noin 4 kertaiseksi, kun Lapissa vääristymä on suurimmillaan yli 8 kertainen.

Kuvista 3 ja 4 saa käsitystä kompromissi projektioiden vääristymistä. Karttojen perusteella näyttäisi, että Robinsonin projektio on parempi kuvaamaan Suomea kuin Winkelin Tripel -projektio.

Kartat itsessään oli mielestäni kiva tehdä. Projektioiden pinta-alojen suhteita laskettaessa sai olla kuitenkin tarkkana, että käyttää kunkin kartan kohdalla oikeita suhdelukuja. Karttojen tulokset näyttävät ihan järkeviltä, joten luulen että laskut menivät oikein.

Loppupäätelmät viikolta

Ymmärrys projektioiden merkityksestä on etenkin maantieteilijöille, mutta myös ihan kaikille karttojen käyttäjille tärkeää. Katariina Maijala kirjoittaa blogissaan Mercatorin projektiosta osuvasti: ”Jos Mercatorin projektion vääristymistä ei ole tietoinen, kartan käyttäminen tieteellisesti tai uutisoinnissa voi vääristää todellisuutta moniulotteisesti.” Kyseessä ei ole siis vain pelkkä kaksiulotteinen pinta-alan vääristymä, vaan se voi pahimmillaan vääristää laajemminkin ihmisten käsitystä maailmasta.

Oma ajatteluni kartoista ja paikkatiedosta on taas edistynyt hieman. Lähiopetuksessa vertailimme esimerkiksi eri mittakaavaisia karttoja Suomen kunnista, joka oli hyödyllistä vahvistamaan ajatusta siitä, että kartan käyttötarkoitus sanelee pitkälti sen ominaisuuksia. Turhaan ei kannata siis karttaan lisätä yksityiskohtia, jos se ei palvele kartan käyttötarkoitusta. Sama pätee myös projektioihin. Projektio valitaan palvelemaan kartan käyttötarkoitusta mahdollisimman hyvin.

Lähteet

Maijala, Katariina (2022). Karttoja ja projektioita. Geoinformatiikan harjoittelua. Lainattu 1.2.2022, saatavilla: https://blogs.helsinki.fi/katariinagem/2022/01/31/karttoja-ja-projektioita/

Viikko 1: Takaisin QGIS:n pariin.

Olen aikaisemminkin käyttänyt QGIS -ohjelmistoa Johdatus geoinformatiikkaan -kurssilla sekä paikkatiedon analysointiin ja visualisointiin että kartan digitointiin satelliittikuvan perusteella. Käsitykseni ohjelman käytöstä ja sen tarjoamista mahdollisuuksista oli ja on yhä edelleen melko pintapuolista. Uskon kuitenkin nyt hallitsevani tärkeimmät perusjutut, kuten miten saadaan kartta muokattua luettavaksi ja tallennettua ulos ohjelmasta kuvamuotoon.

Itämeren typpipäästöt

Kuva 1. Itämeren merellisen ympäristön suojelukomission eli HELCOMin maiden typpipäästöt osuuksina kokonaispäästöistä.

Ensimmäisenä tehtävänä oli visualisoida annetusta aineistosta HELCOM -maiden absoluuttisista typpipäästöistä maiden suhteellisia päästöjä kuvaava kartta. Harjoitus tehtiin lähiopetuksessa ja vaiheet käytiin hyvin selkeästi läpi kohta kohdalta. Hankaluuksia ei vielä silloin ilmennyt, vaan ensimmäinen ongelma tuli eteen kun halusin kotona vielä säätää kartan legendaa paremmaksi. Avattuani projektin kotona läppärillä, oli aineistosta kadonnut tiedot lasketuista typen päästöjen suhteellisista osuuksista. Tämä luultavasti johtui siitä, että en tajunnut siirtää projektin ja karttakuvan lisäksi myös muokattuja taulukoita OneDriveen. Ensi kerralla aion siirtää kaikki koulun koneella käyttämäni tiedostot pilveen!

Ei niin pahaa, ettei jotain hyvääkin. Jouduttuani uudestaan laskemaan suhteelliset osuudet päästöille, tein sen tällä kertaa kokeilumielessä hieman eri tavalla. Kuten Kuvasta 2 näkyy, laskin päästöjen summan ohjelmassa luomalla uuden sarakkeen sen sijaan, että olisin laskenut summan ja kirjannut sen ylös johonkin. Tällä uudella muuttujalla sain laskettua sitten suhteelliset osuudet maille. En tiedä oliko tämä yhtään sen parempi tapa, mutta sain ainakin varmuutta vain kokeilla eri toimintoja ohjelmassa.

Kuva 2. Kuvakaappaus QGIS:n Field Calculator -toiminnosta.

Kuva 1 on lopputulos kartasta. Se on mielestäni ihan onnistunut ja informatiivinen esitys datasta. Karttaan olisi voinut ehkä lisätä vielä näkyviin jokaisen maan todelliset suhdeluvut, koska HELCOM-maita on niin vähän. Esimerkiksi Puola on luokassa 14,3 – 33,7 % ainoa maa ja sen suhteelliset päästöt ovat 33,7 %. Visuaalisesti kuitenkin Puolan kirkkaanpunainen väri havainnollistaa lukijalle Puolan osuuden päästöistä olevan hyvin suuri.

Suomen kunnat

Viikon toisessa tehtävässä päätin valita vaikeustaso 1:n, eli valitsin annetusta aineistosta valmiiksi löytyvän muuttujan. Tämä sen takia, että muuttujia oli runsaasti enkä keksinyt mitään omaa muuttujaa, jota lähtisin netistä etsimään. Valitsin muuttujaksi korkeakoulutetun väestön osuuden eri kunnissa. Koulutus on yhteydessä hyvin moneen muuhun hyvinvointia kuvaavaan muuttujaan, esimerkiksi terveyteen ja taloudelliseen toimeentuloon. Selatessani muiden blogeja kiinnitin huomioni Arttu Granatin artikkelissa Ensimmäisen viikon harjoitukset julkaistuun karttaan Suomen kuntien työttömyydestä. Siinä on käytetty työttömyysprosentin kuvaamiseen sinisen sävyjä. Itse käytin myös sinisen sävyjä, mutta kuvaamaan korkeakoulutetun väestön osuutta kunnissa (Kuva 4). Karttoja vertaamalla voi tehdä karkean päätelmän, että sävyt ovat täysin vastakkaiset. Toisin sanoen siis kunnissa, joissa näyttäisi olevan enemmän korkeakoulutettua väestöä on matalampi työttömyysprosentti.

Kuva 3. Ensimmäinen versio
Kuva 4. Toinen versio.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Ensimmäisessä versiossani kartastani (Kuva 3) muokkasin värit kattamaan koko värispektrin. Perehtyessäni kuitenkin tarkemmin koropleettikartan tekemiseen liittyviin ohjeisiin löysin Tilastokeskuksen tuottaman Tilastokoulun ohjeistuksen asiasta. Tilastokoulun artikkelissa Värien käyttö todetaan, että yleinen käytäntö on käyttää eri luokkien kuvaamiseen saman värin eri sävyjä. Poikkeuksena tähän on kuvattavat ilmiöt, joissa on jokin merkityksellinen taitekohta joista arvot lähtevät eri suuntiin. Niinpä päätin vielä muuttaa kartan ulkoasua ja kuvata korkeakoulutettujen osuutta saman värin eri sävyillä (Kuva 4).

Korkeakoulutettujen osuus näyttäisi olevan vähemmän yllättäen korkea yliopistokaupungeissa sekä näiden naapurikunnissa. Isoja eroja naapurikuntien välillä näyttäisi olevan esimerkiksi Rovaniemen ja sen eteläpuolella sijaitsevan Ranuan välillä. Toisaalta aineisto näyttää osuuden koko kunnan tai kaupungin keskiarvona eikä se näytä vaihtelua kunnan sisällä. Esimerkiksi Helsingin Sanomat raportoi vuonna 2021, että yli 18 vuotiaista ylempi korkeakoulututkinto oli Kuusisaaren ja Lehtisaaren kaupunginosissa 40 prosentilla, kun se Jakomäen ja Alppikylän kaupunginosissa oli 7 prosentilla.

Loppupäätelmät viikolta

Blogin kirjoittaminen kurssilla opituista asioista ja heränneistä kysymyksistä sekä oman ajattelun ja työtapojen pohtiminen tuntuu ainakin näin aluksi haastavalta. Tämän ensimmäisen artikkelin kirjoittamiseen on kulunut useita tunteja. Toisaalta blogin kirjoittaminen tuntuu paljon mielekkäämmältä tavalta pitää oppimispäiväkirjaa kuin vain pelkkä Word-tiedoston palautus.

QGIS ohjelmana sekä paikkatiedon käsittely laajemminkin on selkeytynyt hieman näiden harjoitusten myötä. Pohdin jo aikaisemmalla kurssilla ohjelmaa käyttäessäni, olisiko mahdollista tehdä attribuuttitaulun arvoilla laskuja suoraan ohjelmassa. Silloin en vielä vaivautunut tutkimaan asiaa tarkemmin vaan tein laskut vain Excelissä. Tämän harjoituksen myötä asia kuitenkin valkeni ja seuraavana kerran osaan tehdä laskut suoraan QGIS:ssä ja luultavasti paljon nopeammin.

Viikon harjoitukset myös lisäsivät ajatteluani kartoista ja niiden visualisoinnista. Kartan tekijällä on melko paljon valtaa päättäessään, mitä haluaa kartallaan sanoa. Sen takia onkin hyvin tärkeää tarkastella teemakarttoja kriittisesti ja olla tarkkana datan lähteen lisäksi siinä, miten tätä dataa kartalla esitetään.

Lähteet

Granat, Arttu (2022). Ensimmäisen viikon harjoitukset. Lainattu 27.1.2022, saatavilla: https://blogs.helsinki.fi/garttu/2022/01/20/hello-world/

Tilastokeskus. 10.3 Värien käyttö, Tilastokoulu. Lainattu 27.1.2022, saatavilla: https://tilastokoulu.stat.fi/verkkokoulu_v2.xql?course_id=tkoulu_teemak&lesson_id=10&subject_id=3&page_type=sisalto

Salomaa, Marja (2021). Helsingin Töölössä asuu yli tuhat tohtoria – Katso HS:n hakukoneesta oman asuinalueesi koulutustaso, Helsingin Sanomat. Lainattu 27.1.2022, saatavilla: https://www.hs.fi/kaupunki/art-2000008263427.html