rale's blog

Tutkailin aluksi Euroopan valtioiden kotitalouksien materiaalikulutusta (Domestic material consumption per capita), joka ilmoitetaan tonneina henkilöä kohden. Karttapohja löytyi Natural Earth -sivustolta. Latasin shp-tiedoston jossa oli kaikki maailman valtiorajat, josta sitten ’Select by Value’ -työkalulla valitsin Continent-sarakkeen arvoksi ’Europe’. Tallensin valinnan omaksi tasokseen. Projektioksi muutin ’ETRS89 / LAEA Europe’. Kotitalouksien materiaalikuluksen (Eurostat) EU:n keskiarvo oli vuonna 2019 arviolta 14,109 tonnia raaka-aineita per asukas, mutta valtioiden välillä on suurta vaihtelua. Esimerkiksi vuonna 2010 Suomessa kulutettiin henkilö kohti eniten raaka-aineita ja vähiten kulutettiin Maltalla (Kuva 1).

 

DMC datan metatiedoista selviää miten data on tuotettu. DMC-indikaattori perustuu luonnonvarat ja kansantaloudet yhdistävään EW-MFA-laskelmaan (Economy-wide Material Flow Accounts). Mukana on kaikki kiinteät, kaasumaiset ja nestemäiset raaka-aineet paitsi vesi ja ilma. Tuotteiden sisältämä vesi on laskettu mukaan. Eli ilmeisesti tuotantoprosessien käyttämä vesi ei kuulu laskelmaan. Eurostatin sivuilla pystyy melko hyvin esivalitsemaan mitä dataan sisällytetään. Yllättävän paljon aikaa meni silti Excelin parissa dataa siivotessa ja muokatessa.

Life Satisfaction eli tyytyväisyys elämään löytyy myös Eurostatin avoimen datan joukosta. Tyytyväisimpiä asteikolla yhdestä kymmeneen ollaan Irlannissa, Suomessa, Norjassa, Sveitsissä ja Itävallassa. Alhaisinta tyytyväisyys on Bulgariassa ja Serbiassa. Tosin data ei kata kaikkia Euroopan maita (Kuva 2). Tarkastelin tyytyväisyyden ja raaka-ainekulutuksen suhdetta jakamalla DMC-luvun koetulla tyytyväisyydellä (Kuva 3). Näin syntynyt suhdeluku kertoo missä on saavutettu suurin tyytyväisyys pienimmällä raaka-ainekulutuksella. Mitä pienempi luku, sitä vähemmän materiaalien kulutusta suhteessa tyytyväisyyteen. Näin tarkasteltuna kärkipäähän nousevat Iso-Britannia, Italia, Alankomaat, Espanja ja Sveitsi. Mutta ehkä tallainen analyysi on hieman epätieteellinen ja epätarkka, sillä on haastavaa arvioida näiden teemojen yhteyttä toisiinsa. Haastavaa on varsinkin pelkästään näiden kahden teeman vertailu, sillä molemmat kytkeytyvät lukuisiin risteäviin muuttujiin. Pohjoisessa suureen DMC-lukuun vaikuttavat myös luonnonolot.

 

 

Visualisoinneista tuli mielestäni aika hyviä. Koetin pohtia mitä pistemäistä dataa samasta aihepiiristä olisi saatavilla, jotta voisin tehdä myös jotain erityyppisiä visualisointeja, mutta toistaiseksi en keksinyt mitään. Materiaalikulutuksen rinnalle sopisi myös visualisoinnit jätteentuotosta ja kierrätyksestä. Kierrätyksen voisi lisätä kartalle pylväs- tai ympyrädiagrammina, kuten Jonna Kääriäinen oli blogissaan tehnyt lukutaistoisten osuudelle Afrikassa.

Päätin hakea vielä lisäksi Eurostatilta tilaston jätteen tuotannosta. EU:n keskiarvo vuodelta 2017 on 487 kiloa kunnallisjätettä henkilöä kohti (Generation of Municipal Waste per capita). Tässäkin on suuria valtiokohtaisia eroja (Kuva 4). Mielestäni ympyrädiagrammi sopii parhaiten visualisointiin silloin, kun ei ole tarpeen välittää muuttujan lukemia kovin yksityiskohtaisesti, vaan pikemminkin antaa alueellinen yleiskuva.

Tämäntyyppisten karttojen tuottaminen alkaa jo sujua rutiinilla, etenkin kun muistaa dataa metsästäessä että vähemmän on enemmän, ja kovin monimutaisia datasettejä on myös haastavampi visualisoida selkeästi. Jo parilla muuttujalla saa aikaan kiinnostavia visualisointeja. Venla Moisio kirjoitti blogissaan, että kokee oppineensa kurssilla paljon lähtötasoon nähden. Eli ilman aiempaa kokemusta ohjelmasta. Olen samaa mieltä, ja huomaan jo avaavani QGIS ohjelman pikemminkin mahdollisuuksista innostuneena kuin tulevista vastoinkäymisistä ahdistuneena. Teknisiä hankaluuksia on varmasti luvassa jatkossakin, silläkään saralla QGIS ei tähän astisen kokemuksen valossa petä, mutta sietokyky ja mahdollisten ratkaisujen reservi ovat kasvaneet mukavasti.

 

Lähteet

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

Eurostat. https://ec.europa.eu/eurostat/data/database

Kääriäinen, Jonna. 24.2.2020. Kurssikerta 7: Inhimillisen hyvinvoinnin kuvaaminen teemakartoilla. https://blogs.helsinki.fi/kaarijon/

Moisio, Venla. 26.2.2020. Viikko 7 – viimeinen kurssikerta ja omien karttojen tekemistä. https://blogs.helsinki.fi/moivenla/

 

Kuudennen kurssikerran tehtävät olivat kiinnostavia ja tehtävänannot selkeitä. Ensiksi jalkauduttiin ulos keräämään ”pehmoGIS”-tyyppistä dataa lähiympäristöstä. Keräys tehtiin Epicollect5-applikaatiolla. Applikaatio oli helppokäyttöinen, ja koska se on ilmainen ja avoin, sitä voisi hyödyntää jatkossakin. Tämä data tuotiin pisteinä QGIS-ohjelmaan. Yksi attribuuttitietojen sarakkeista, turvallisuus, muokattiin interpoloiduksi kartaksi. Tulos on visuaalinen ja selkeä.

 

 

Itsenäistehtävä: hasardien esiintyminen

Hasardien esiintymisestä on saatavilla avointa pistemäistä dataa. Suurin työ tämän datan käyttämisessä liittyy datan muokkaamiseen Excelissä, ja sekin tuntu olevan aika sujuvaa. Dataa on tarpeen siistiä, jotta QGIS lukee sen oikein. Kun pisteet on saanut tuotua ohjelmaan, on helppo tehdä erilaisia visualisointeja ja vertailuja (Kuvat 2 -6). Karttoja voi käyttää maanjäristysten ja tulivuorten yhteyden havainnollistamiseen ja selittämiseen. Kokeilin myös maanjäristysdatan interpolointia (Kuva 6). Alueen valinnassa interpolointia säätäessä taisi tulla pieni virhe, koska lopputuloksessa myös kartan ulkopuolinen alue on osa interpolointia. Koska pohjakarttana on rasterikartta, on tarpeen säätää interpoloidun tason läpinäkyvyyttä. Tuomalla tulivuorikerroksen interpoloinnin päälle voi havainnollistaa tuliperäisyyden yhteyttä maanjäristyksiin. Carita Aapro-Koski oli lisännyt visualisointiin myös litosfäärilaattojen sauma-alueet, mikä tuo hyvän lisän kartan informatiivisuuteen. Koska miedompia maan järistyksiä onniin paljon, on vaikea erottaa värikoodattuja voimakkaimpia järistyksiä joukosta. Otso Laakkonen oli tehnyt hyvän karsinnan visualisoimalla erikseen vain voimakkaimmat järistykset, sekä aktiiviset tulivuoret.

Olisi kiinnostavaa tehdä tämäntyyppisestä aikasarjadatasta animoitu esitys. Tämäkin on luultavasti mahdollista QGIS-ohjelmassa, ja ehkä siihen on saatavilla jokin plugin ja tutoriaaleja. Mutta näin QGIS-suhteen alussa en uskalla lähteä kokeilemaan moista.

 

 

Lähteet

Aapro-Koski, Carita. 20.2.2020. Kurssikerta 6: Karttoja opetustarkoitukseen. https://blogs.helsinki.fi/aacarita/

Laakkonen, Otso. 17.2.2020. 6 kerta. https://blogs.helsinki.fi/laxotso/

Lentokenttämelun vaikutusalueiden analysointi sujui hyvin, sillä aineisto ja tehtävänanto olivat melko selkeitä. Seitsemän kilometrin apuviivan piirtämiseen käytin ’Measure line’ työkalua, mutta Roni Lindholm oli löytänyt toisen tavan mitata haluttu etäisyys käyttämällä ’Advanced Digitizing’- valikkoa. Tuon valikon kautta saa ilmeisesti tarkemmin piirrettyä juuri halutun mittaisen viivan. Valitettavasti en löytänyt kyseistä toimintoa, valikon kylläkin. Joka tapauksessa, Tikkurilan melualueella asuu 1629 asukasta. Muut tulokset voi nähdä alla (Taulukko 1). Selvitellessäni työikäisten määrää ohjelma kaatui, ja menetin siihen asti tehdyn työn. Pitkän päivän päätteeksi työmoraali ei enää riittänyt kaiken aloittamiseen alusta. Etenkin kun sokerina pohjalla oli vielä itsenäistehtävään uppoutuminen.

 

Itsenäistehtävä: Uima-altaat ja saunat

Uima-altaiden ja saunojen kalastelu attribuuttitiedoista oli helppoa, kunnes harmittoman oloinen kysymys, ”Mikä on kaikkein uima-allasrikkain osa-alue?”, sai pään ja QGIS-ohjelman takkuamaan. Kokeilin yhdistellä tietoja ’Join’ ja ’Join by location’ toiminnoilla, mutta sain aikaan vain virheilmoituksia ja virheellisiä attribuuttitietojen sarakkeita. Välillä vaikuttaa, että QGIS-ohjelman käyttämisessä on taitojen lisäksi kyse sitkeydestä ja hyvästä tuurista, tai niiden puutteesta.

Päädyin harrastamaan epätoivoista hakuammuntaa, josko löytäisin jonkun muun blogista vinkkejä tähän tehtävään. Vaikuttaa että monikaan ei ollut juuri tähän tehtävään tarttunut, mutta viimein löysin Tomi Kiviluoman blogista uima-allastehtävän ja vinkin ’Fix geometries’-toiminnosta. Kiitos tästä! Tuntui toimivan ja sain tehtyä analyysin loppuun. Eniten uima-altaita löytyy Lauttasaaresta. Visualisointi pylväillä ja lukemilla onnistui periaatteessa, mutta jostain syystä osa lukemista ei näkynyt kartalla, ja piilottelevat ja näkyvissä olevat lukemat vaihtelivat zoomatessa lähemmäs ja loitommas (Kuva 1). Olisin lisäksi halunnut alueiden nimet kartalle, mutta sain näkymään joko nimet tai lukemat, en molempia. Visualisoinnin viimeistely vaatii siis vielä harjoitusta.

 

 

Keskeiset työkalut ja toiminnot

Tässä vaiheessa suurimmat rajoitukset QGIS:n käyttömahdollisuuksissa tulevat vielä omista puutteellisista taidoista ja tiedoista. Myös saatavilla oleva aineisto voi rajoittaa ratkaisumahdollisuuksia. Kuten Pinja Nivalainen toteaa blogissaan, on tärkeää valita oikeanlainen aineisto ja oikeat attribuuttitiedot.

Hyödyllisimpiä tai ainakin yleisimpiä toimintoja ovat erilaiset valintatyökalut, kuten ’Select by location’. ’Processing toolbox’ puolestaan on erittäin hyödyllinen tapa löytää nopeasti tarvittava työkalu. Etenkin kurssin alkupään tehtävissä tarvittiin jatkuvasti helmitaulu-ikonin takaa löytyvää laskin-työkalua. Tärkeitä toimintoja ovat eri tavat tallentaa tasoja, ominaisuuksia tai projekteja. On tärkeää ymmärtää milloin tulisi käyttää mitäkin tallennustapaa. Flaminia Puranen huomautti blogissaan, että työkaluja käyttäessä kompastelua voi tulla tasojen syöttämisessä oikeisiin kohtiin oikeassa järjestyksessä, tai vaikkapa jonkin ruudun raksimatta jättämisestä, ja olen samaa mieltä tästä.

Puskurivyöhyketoimintoa voi hyödyntää erilaisissa maankäytön suunnittelun tehtävissä. Myös maa- ja metsätalouden suunnittelussa esimerkiksi etäisyys tiestä voi olla tärkeä tieto, ja tähän puskurivyöhyke soveltuu hyvin. Siiri Nyman mainitsi blogissaan, että bufferit soveltuvat vaikkapa jokiympäristön suojeluun metsähakkuun yhteydessä.

QGIS-ohjelman voi käyttää erilaisten ongelmien ratkaisuun, mutta ohjelman käyttö vaatii myös ongelmanratkaisua. Ongelmien ratkomiseen ovat törmänneet muutkin, ja esimerkiksi Alex Nylander totesi neljännen kurssikerran saldon olleen ”kasapäin tietoteknisiä ongelmia ja niiden ratkomista”.

 

Lähteet

Kiviluoma, Tomi. 12.2.2020. Valintojen maailma: bufferointia ja tietokantojen syväluotaavaa suodatusta. https://blogs.helsinki.fi/tomingeoblogi/

Lindholm, Roni. 16.2.2020. Kurssikerta 5. https://blogs.helsinki.fi/lroni/

Nivalainen, Pinja. 21.2.2020. Kerta5. https://blogs.helsinki.fi/npinja/

Nylander, Alex. 10.2.2020. Kurssikerta 4: Vihanhallintakurssi vol. ∞. https://blogs.helsinki.fi/alny/

Nyman, Siiri. 12.2.2020. Viides kurssikerta. https://blogs.helsinki.fi/nymsiiri/

Puranen, Flaminia. 17.2.2020. Bufferointia ja vyöhykeanalyysia. https://blogs.helsinki.fi/flaminia/

Tehtävä 1: Ruutukartta

Neljännen kurssikerran tehtävät jouduin tekemään kokonaan omatoimisesti, sillä flunssan vuoksi kurssikerta jäi väliin. Onneksi harjoitusten ohjeet olivat selkeät ja selvisin harjoituksista vaihe kerrallaan. Väestöruutuaineistoa luodessa ’Select by location’ -toiminto jumitti ohjelman pitkäksi aikaa. Odotellessa toivoin, että lopputulos olisi ensi yrittämällä hyvä, sillä yli tunnin kestävä prosessointi hidastaa kurssitehtävien tekemistä melkoisesti eikä sitä haluaisi tehdä useita kertoja. Mutta onneksi onnistui jo ensimmäisellä kerralla (Kuva1)! Ehkä jumitusta olisi ehkäisyt suurempi ruutukoko.

 

Ruutukartta tuo erilaisia visualisointi ja analyysimahdollisuuksia koropleettikarttaan verrattuna. Datan voi jakaa kartalle totuudenmukaisemmin, eikä tarvitse noudattaa visualisoinnissa esimerkiksi kuntarajoja tai muita aluejakoja silloin kun ne eivät palvele tarkoitusta. Kuten Annika Reijonen blogissan mainitsee, mahdollistaa ruutukartta myös absoluuttisten arvojen kuvaamisen. Tein vertailun vuoksi kaksi erityyppistä visualisointia muunkielisten osuudesta pääkaupunkiseudun väestöstä (Kuvat 2 ja 3). Näinkin tarkalla ruutuaineistolla muunkielisten suhteellinen osuus tuottaa melko sekavan lopputuloksen. Kartalla korostuvat pistemäisesti ruudut joissa samalla pienellä alueella sattuu asumaan lähinnä muunkielisiä. Toki kartta kertoo muunkielisten suuresta osuudesta Itä-Helsingissä. Saman ilmiön esittäminen absoluuttisina arvoina näyttää muun kielisen väestön levittäytymisen, mutta rinnalla olisi mielekästä esittää kokonaisväkiluku (Kuva 1). Nämä erilaiset tavat esittää samaa ilmiötä tukevat toisiaan. Lisäksi voisi olla tarkoituksenmukaista esittää muunkielisten lukumäärä vaikkapa pienaluejakoon tehtynä koropleettikarttana, johon on kolmannen kurssikerran järvisyystehtävän tapaan lisätty kokonaisväkiluku pylväsdiagrammeina. En ole aivan tyytyväinen näiden karttojen luettavuuteen. Ehkä kuitenkin suurempi ruutujako olisi ollut kaikinpuolin toimivampi. Esimerkiksi Pinja Nivalaisen visualisointi naisten määrästä suhteessa miesten määrään on visuaalisesti selkeä, ja ruutujakona näyttää olevan 1000 x 1000 metriä.

 

 

Tehtävä 2: Rasterikuvan tuominen

Korkeusmallin perusteella QGIS-ohjelmistossa laaditut korkeuskäyrät ovat yhtäläisiä Maanmittauslaitoksen peruskartan käyrien kanssa, mutta poikkeavat jonkin verran muodoiltaan. Jos tarkastellaan esimerkiksi Korkeamäen aluetta Pornaisten keskusta lounaispuolella, voi huomata pieniä eroja viivojen muodoissa (Kuvat 4 ja 5).

 

Korkeuskäyriin verrattuna rinnevarjostuksella saadaan esiin vielä tarkempaa informaatiota maaston pinnan muodoista (Kuva 6). Kokeilin lisätä liioittelua ja asetin arvoksi 5, ja muutin myös auringon tulosuuntaa ja -kulmaa nostamalla arvoksi 65 (Kuva 7). Näin tuotettu rinnevarjostus saa dramaattisemman ilmeen, ja maastonmuodot korostuvat entisestään.

 

 

 

Tehtävä 3: Piirtäminen

Piirtäminen rasterikartan avulla olikin ruutukarttakikkailujen jälkeen helppoa puuhaa. Uusien elementtien lisääminen kartalle piirtämällä lisää ohjelman käyttömahdollisuuksia. Piirsin Pornaisten päätiet viivoina, rakennuksia pisteinä ja lisäksi kokeilin vesistöjen piirtämistä alueina. Kapeat joet on parempi piirtää viivoina. Pellot voisi myös halutessaan lisätä alueina.

 

Lähteet

Nivalainen, Pinja. 8.2.2020. Kerta 4. https://blogs.helsinki.fi/npinja/

Reijonen, Annika. Ruututeemakarttoja. https://blogs.helsinki.fi/anre/. Luettu 12.2.2020.

Kolmannella kurssikerralla harjoiteltiin tietokannan valmistelua ja muokkaamista, esimeriksi lisäämällä siihen tietoa. Kurssikerran aikana koottiin teemakartta Afrikan öljyvaroista, timanttikaivoksista ja konfliktialueista. Attribuuttitietoihin lisättiin sarake, johon laskettiin konfliktivuodet, jotta maat joissa on ollut samoina vuosina useita konflikteja eivät korostuisi liikaa. Tämän teemakartan pohjalta voi tehdä analyysejä luonnonvarojen ja konfliktien yhteyksistä.

Öljy on merkitty kartalle eri tavalla kuin timanttikaivokset, sillä lähekkäin olevat pisteet sulautuvat yhteen. Koetin etsiä asetuksista voisiko öljyesiintymien esitystavan muuttaa pisteiksi kuten timanttikaivoksilla, mutta en onnistunut. Ehkä esitystapa on jotenkin perusteltu. Internetkäyttäjien lukumäärä indikoi alueen kehittyneisyyttä (Kuva 1). Yhteys konflikteihin ja luonnonvaroihin selittyy sillä, että yhteiskunnan kehittyneisyydellä on yhteys konfliktien yleisyyteen. Jostain syystä muutaman valtion internetin käyttäjien määrä on yli 100 prosenttia, mikä viittaa siihen että väkiluvuissa tai internetin käyttäjien määrässä on virheellistä dataa. Siivosin tämän pois karttavisualisoinnista jättämällä suurimman kategorian ylärajan avoimeksi.

Jostain syystä QGIS katsoi tarpeelliseksi kaatua muutamaan otteeseen tätä harjoitusta tehdessä, ja projekti ei enää avautunut oikein kaatumisen jälkeen, vaan tehtyä työtä meni hukkaan. Siitä heräsikin ajatus että jatkossa täytyy pohtia oikeaa tallentamistyyliä, ja ehkä kannataa tallentaa työtiedostot aina taso kerrallaan eikä projektina.

Jos tarkastellaan esimerkiksi Angolaa kuvissa 1-3, voidaan todeta että maassa on heikko interentin läpäisevyys, runsaasti konfliktivuosia ja paljon timanttiesiintymiä. Toisaalta Etelä-Afrikassa on myös runsaasti timanttiesiintymiä, mutta siellä on korkea internetinläpäisevyysaste ja vähän konfliktivuosia 61 vuoden tarkastelujaksolla. Aineiston perusteella voisi myös analysoida timanttikaivoisten avaamisvuosien ja öljykenttien löytämisvuosien yhteyttä konfliktivuosiin.

 

 

Tehtävä 1: Suomen tulvaindeksikartta

Itsenäisenä harjoitustyönä toteutettiin tulvaindeksikartta (Kuva 4). Kartan väritystä olisi voinut vielä hioa katsojaystävällisemmäksi ja selkeämmäksi. Kartta esittää joet, järvet, valuma-alueet ja järvisyysprosentit. Tulvaindeksi laskettiin kartan attribuuttitietoihin hyödyntäen erillisestä taulukkotiedostosta löytyvää dataa. Järvisyysprosentin esittäminen pylväinä tekee kartan muu tiedot vaikeammin luettaviksi. Ehkä tätäkin voisi vielä parantaa väri- ja muilla visualisointivalinnoilla, tai jopa jakamalla informaatio kahteen erilliseen teemakarttaan. Paula Allinen oli tehnyt teemakartastaan selkeämmän jättämällä järvet ja joet pois.

Kartan perusteella vaikuttaa, että korkean järvisyyden alueilla tulvia on vähemmän. Kuten Jonna Kääriäinen toteaa blogissaan, järvisempien alueiden virtaamavaihtelu on tasaisempaa eikä tulvahuippuja esiinny (Kääriäinen, 2020). 

 

Lähteet

Allinen, Paula. 31.1.2020. Tietokantojen yhdistämistä ja tilastoista tietokantoihin. https://blogs.helsinki.fi/pallinen/

Kääriäinen, Jonna. Tietokantaliitoksia ja tulvaindeksejä. https://blogs.helsinki.fi/kaarijon/. Luettu 10.2.2020.

 

Toisella kurssikerralla siirryttiin tutkailemaan QGIS-ohjelmiston muita ominaisuuksia sekä erilaisia aineistotyyppejä. Pienellä läppärin näytöllä tehtäviä on huomattavasti työläämpi tehdä, ja näiden projektion muunnosten ja muiden tutkailujen parissa vierähtikin hyvä tovi. Uuden ohjelman opiskelu vaatii sinnikkyyttä, ja voi jopa kiristää hermoja kuten Miina Suutari blogissaan totesi.

 

Tehtävä 1

Projektion vaikutus kartalla esitettävään tietoon on merkittävä. Jos kartta-analyysiä tehdään huomioimatta projektion merkitystä pinta-aloihin ja etäisyyksiin, voi analyysin tulos vääristyä huomattavasti. Kartta myös muuttuu visuaalisesti projektiota vaihtaessa, joskus hyvinkin totutusta poikkeavaksi. Vertailin viiden eri projektion pinta-alaeroja Suomen pohjoisimpaan kärkeen piirretyn mittakolmion avulla (Taulukko 1). Lisäksi vertailin Suomen leveyttä Vaasan korkeudella. Kolmio ja mittaviiva oli helppo piirtää eri projektioissa samanlaiseksi ’snapping’-toiminnon avulla. Aluksi sain useista mittauksista saman tuloksen, vaikka vaihdoin projektiota oikean alakulman hattupäisen maapallon avustuksella. Lopulta tein jokaisesta projektiosta oman karttatasonsa, joiden projektion määritin tasovalikon ’Set Layer CRS’ -toiminnolla. Lähimpänä toisiaan olivat suositellut projektiot  ETRS89/TM35FIN ja ETRS89/LAEA Europe. Euroopan pinta-alojen tutkailuun sopiva ETRS89/LAEA Europe eli Lambertin oikeapintainen tasoprojektio poikkeaa vain hieman Suomelle kustomoidusta ETRS89/TM35FIN-projektiosta. Yllättävää oli, että muut valitsemani projektiot antoivat huomattavasti pienempiä mittatuloksia. Olisin esimerkiksi olettanut, että Mercatorin projektio kasvattaa pinta-alaa, onhan se tunnettu siitä että se vääristää lähellä napa-alueita sijaitsevia valtioita liian suuriksi. Epäilen että tässä tuli sittenkin tehty jokin virhe? Mutta selvää on, että valitulla projektiolla on merkitystä.

 

 

Tehtävä 2

Kurssikerran aikana onnistuin tekemään vertailun Robinsonin ja TM35FIN projektioiden pinta-alojen välillä (Kuva 1). Robinson-projektio vääristää pinta-aloja huomattavasti erityisesti Suomen pohjoisosassa. Mutta kun yritin toistaa vertailun kotona eri projektioilla, ei tulos ollutkaan sellainen kuin pitäisi. Valikot näyttävät QGIS Madeirassa hieman erilaisilta kuin harjoitusohjeen kuvakaappauksissa, mutta luulen että onnistuin tekemään vastaavat valinnat ja toimenpiteet. Ohjeissa taitaa logosta päätellen olla vanhempi QGIS-versio. Mutta eri projektioiden pinta-alojen laskeminen takkuili aina vain, ja attribuuttitietojen sarakkeisiin tuli väärän oloisia lukuja, vaikka tason tietojen mukaan projektio oli oikea. Yritin vaihtaa projektiota ties mitä kautta, sekä tallentaa, sulkea ja avata tiedostoa uudelleen. Tämä oli turhauttavaa, sillä tuntui että tehtävä on helppo, mutta jonkin yhden väärän valinnan takia ei vain onnistu. Sitten kokeilin ’toggle editing’ –painiketta, ja pelkän tason tallentamista. Eli en tallentanut projektitiedostoa ollenkaan. Ehkä tämä auttoi, tai ehkä tein epähuomiossa jotain muuta oikein, mutta joka tapauksessa viimein alkoi sujua. Ensimmäinen suuri onnistuminen oli Mercartorin pinta-alojen vertailu LAEA-projektioon (Kuva 2). Kartan pohjana on käytetty ’Suomen kunnat 2017.shp’ –tiedostoa. Käytetty projektio oli Sphere Mercator, EPSG:53004.

 

Tehtävä 3

Päätin vertailla LAEA projektiota Arctic Polar Stereographic projektioon, joka puolestaan vääristää pinta-aloja sitä enemmän mitä kauempana ollaan pohjoisnavasta. Arctic Polar Stereographic, EPSG:3995, on lähimpänä LAEA-projektion pinta-aloja Utsjoella, mutta jo siellä hieman suurempi. Vääristymä on kuitenkin jopa eteläisimmissä kunnissa hyvin pieni verratuna Mercatoriin. Iida Kokkinnen oli löytänyt projektion (Europe South Pole Stereographic), joka vääristää Suomen kuntien pinta-aloja epätasaisesti eripuolilla Suomea. Vääristymien kirjo on siis suuri, ja tämä tehtävä auttoi ymmärtämään että aina tulisi olla tietoinen projektiovalinnastaan.

 

Tehtävä 4

Kokeilin Natura-alueiden pinta-alojen vertailua eri projektioissa. Etenin jo luomaan yhtälöä Naturan osuudesta LAEA-projektion pinta-aloista, kun QGIS kaatui. Uutta yritystä vain. Päätin taas työskennellä yksittäin tallennettujen tasojen kanssa projektin sijaan. Näissä monissa hankaluukissa ja ohjelman kaatumisissa on se hyvä puoli, että tulee paljon toistoa ja ohjelma tulee sitä kautta tutummaksi. Vertailu onnistu lopulta hienosti. Mercatorin projektio muuttaa analyysin tulosta melkoisesti. Asetin molempiin visualisointeihin samat neljä luokkaa, jotta vertailu olisi helpompaa. Koska Mercator vääristää koko maan ja erityisesti pohjoisten kuntien pinta-aloja suuremmaksi, näyttää natura-alueiden suhteellinen osuus hyvin vaatimattomalta. Nämä havainnot saivatkin pohtimaan, onko esimerkiksi sanoma- ja aikakauslehtien karttavisualisoinneissa yleensä ilmoitettu kartan projektio?

 

Lähteet

Kokkinen, Iida. 24.1.2020. Toinen tapaaminen arvon QGISin kanssa. https://blogs.helsinki.fi/iixkokki/2020/01/24/toinen-tapaaminen-arvon-qgisin-kanssa/

Suutari, Miina. 27.1.2020. Kurssikerta 2 – eri projektioita. https://blogs.helsinki.fi/smiina/

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