Kuudes kurssikerta

Kuudes kurssikerta alkoi sillä, että pääsimme keräämään itse dataa maastosta. Keräsimme dataa Kumpulan ympäristöstä Epicollect5-sovelluksen avulla. Keräämämme data sisälsi tietoa erilaisten paikkojen turvallisuuden tunnusta kävelijän näkökulmasta. Data koottiin yhteen, jonka jälkeen hyödynsimme sitä QGISin puolella kartan visualisoinnissa. Ensin pisteet visualisoitiin, jonka jälkeen ne interpoloitiin saaden lopputulokseksi kuvan 1. kartan. Kuvasta 1. näkyy, missä opiskelijat ovat liikkuneet dataa keräämässä, ja kuinka turvallisiksi he ovat eri paikat kokeneet. Kartalta voidaan nähdä, että Kumpulan kampukselle johtava mäki on koettu erityisen turvattomana ja sen kohta on kuvattu punaisella värillä. Mäki on talvisin erittäin liukas ja ajoittain huonosti hiekoitettu, joka vähentää turvallisuuden tuntua. Sinisellä värillä on kuvattu monia paikkoja Kumpulan kampuksen ulkopuolella, erityisesti kasvitieteellisen puutarhan läheisyydessä sijaitsevilla viheralueilla. Alueet olivat viihtyisiä ja kohtuu hyvin hiekoitettuja, joka varmasti selittää niiden korkeaa turvallisuuden tuntua.

Kuva 1. Koettu turvallisuuden tunne Kumpulan kampuksen ympäristössä.

Tämän jälkeen siirryttiin muunlaisen pistemuotoisen tiedon käsittelyyn. Tehtävänä oli hakea Moodlen linkkien kautta dataa erilaisista hasardeista, ladata data QGISiin, ja visualisoida pisteet kartalle. Valitsin hasardeiksi maanjäristykset eri vuosikymmeninä, sekä tulivuorten sijoittumisen maapallolla. Kuvan 2 kartassa näkyy vähintään 6 magnitudin maanjäristykset vuosien 2000–2024 välillä. Kuvassa 3 puolestaan vuosien 1980–2024 välillä, ja kuvassa 4 vuosien 1970–2024 välillä. Kuvassa 5 on esitetty tulivuorten sijoittuminen maapallolla. Kuvassa 6 kaikki edellä mainittu data on kerätty pistemuodossa yhteen karttaan.

Mielestäni kyseiset kartat olisivat erinomaisen käyttökelpoisia maanjäristyksien ja tulivuorten käsittelyssä koulussa. Varsinkin, jos karttojen pisteet esittäisi esim. GQIS ohjelman avulla samalla kartalla niin, että voidaan tarkastella 2000-luvun maanjäristyksiä ja sen jälkeen lisätä kartalle mukaan 1970- ja 80- luvuilta lähtien tapahtuneet maanjäristykset ja vertailla eri ajanjaksoja. Kartat ovat sen verran suurpiirteisiä, että suuria eroja maanjäristysten suhteen niistä ei pysty näkemään. Lähi-Idän alueen sekä Afrikan mantereen kohdalla voidaan kuitenkin nähdä enemmän maanjäristyksiä, kun otetaan käyttöön pidempi tarkasteluväli. Näin jälkikäteen ajateltuna olisi ollut mielekkäämpää tarkastella ehkä täysin eri ajanjaksoja, jolloin olisi voinut tutkia esimerkiksi eri vuosisadoilla tapahtuneita maanjäristyksiä tarkemmin. Myös litosfääriaattojen saumakohdat olisi hyvä lisätä kartalle, mikäli niitä käyttäisi kouluopetuksessa. Legendat pitäisi tietenkin myös vielä lisätä kartoille. Näin opiskelijoille voisi havainnollistaa vielä paremmin, kuinka laattojen reunat vaikuttavat tulivuorten syntyyn ja maanjäristyksiin. Toki näiltäkin kartoilta pystyy havainnollistamaan tulivuorten ja maanjäristysten yhteyden mainiosti. Kuvasta 6 voidaan nähdä, että maanjäristyksiä tapahtuu korostuneesti tulivuorialueilla. Hyvät kuvat maanjäristys- ja tulivuorialueiden sijoittumisesta sekä litosfäärilaatoista löytyy Internet Geography- nimiseltä nettisivulta, josta löytyy myös kattavasti lisätietoa aiheesta esimerkiksi opetusta varten.

Kuva 2. Maanjäristykset vuosien 2000-2024 välillä.
Kuva 3. Maanjäristykset vuosien 1980-2024 välillä.
Kuva 4. Maanjäristykset vuosien 1970-2024 välillä.
Kuva 5. Tulivuorten sijoittuminen maapallolla.
Kuva 6. Maanjäristykset vuosina 1970-2024 sekä tulivuoret.

Lähteet

Distribution of earthquakes and volcanoes. (N.d.). Internet Geography. Saatavilla 21.2.2024 https://www.internetgeography.net/igcse-geography/the-natural-environment-igcse-geography/distribution-of-earthquakes-and-volcanoes/

Viides kurssikerta

Viidennellä kurssikerralla harjoiteltiin kohteiden avulla laskemista sekä bufferointia. Tämä kerta oli ensimmäinen, jossa en vaipunut täysin epätoivoon, vaan sain myös paljon onnistumisen kokemuksia. Aikaisemmilla kurssikerroilla on tuntunut, että en osaa tehdä oikein mitään QGISissä ilman todella tarkkaa ohjeistusta. Tällä kerralla sain tehtyä tehtäviä myös osittain itsenäisesti. Bufferointitehtävissä jo opittuja taitoja harjoiteltiin useammassa tehtävässä, jolloin itsenäisesti eteneminen tuntui mahdolliselta.

Koen tämänhetkisen paikkatieto-osaamiseni perusteella, että hallitsen QGISin keskeisistä työkaluista hyvin tai auttavasti aineistojen tuomisen ohjelmaan, tasojen ulkonäön muokkaamisen, aineiston visualisoinnin, projektion asettamisen, sekä kohteiden bufferoinnin ja vertailun. Vielä lisää harjoitusta tarvitsen soveltavien tehtävien tekemiseen, sekä tietokannan yhdistämisessä olemassa olevaan tietokantaan ja kaikissa vähemmän harjoitelluissa toiminnoissa. Minulla on edelleenkin suuria haasteita saada tehtävät tehtyä, jos niistä ei ole saatavilla tarkkoja ohjeita.

Kurssikerralla käytettyjä puskurivyöhykkeitä voitaisiin käyttää harjoitusten teemojen lisäksi myös esimerkiksi tutkiessa, kuinka monta prosenttia asukkaista asuu kävelymatkan päässä luontokohteesta. Monet tekijät vaikuttavat siihen, minkälaisia asioita QGISin avulla voidaan ratkaista. Merkittävimpänä näen käyttäjän valmiudet ja osaamisen käyttää ohjelmaa. Laajoista toimintomahdollisuuksista huolimatta ohjelma ei voi tuottaa kovin monipuolista tietoa, jos sen käyttäjä ei osaa hyödyntää toimintoja. Ja jos käyttäjä tekee virheitä ohjelman käytössä, eivät tuloksetkaan ole oikeita. En ole esimerkiksi ollenkaan varma ovatko  Vastaustaulukkoon merkkaamani tulokset oikein laskettuja vai eivät. No, yritin kuitenkin parhaani. Myös aineiston laatu voi tietenkin rajoittaa QGISin käyttömahdollisuuksia.

 

Neljäs kurssikerta

Neljännellä kurssikerralla harjoiteltiin ruutu- ja rasterikarttojen tekemistä. Kurssikerta aloitettiin tutustumalla ruutukuvaan ja piste-ja ruutuaineistoihin PowerPoint-esityksen muodossa. Tämän jälkeen luotiin ruudukko QGISissä ja kerättiin data grid-tietokantaan yhdistämällä uutta tietoa vanhaan tietokantaan maantieteellisen sijainnin perusteella. Sitten laskimme ruutuihin dataa ruotsinkielisten asukkaiden määrästä suhteessa kaikkiin asukkaisiin pääkaupunkiseudulla. Lopuksi aineisto visualisoitiin properties-lehdellä kuvaamaan ilmiötä mahdollisimman selkeästi. Minulla ei ole kuvaa kurssikerralla tehdystä visualisoinnista, sillä projekti ei aukea omalla koneeellani eikä ATK-luokan koneella oikein. QGIS-ohjelma valittaa, että tasoille ei löydy datalähteitä, vaikka olen tallentanut työn ihan normaalisti ja exporttasin väliaikaiset tasot pysyviksi tasoiksi erikseen. Tästä syystä myös kotitehtävänä ollut ruututeemakartta on laadittu yhdessä Tiia Tukiaisen kanssa. Hänen GeoinformaTiian blogistaan osoitteesta https://blogs.helsinki.fi/tii-tuki/ (ei vielä julkaistu) löytyy siis sama teemakartta, jota kumpikin kuitenkin analysoimme erikseen blogeissamme.

Valitsimme blogiin tuotettavaan karttaan visualisoitaviksi muuttujiksi kaikki pääkaupunkiseudun asukkaat ja muunkieliset asukkaat. Halusimme laskea, kuinka suuri muunkielisten asukkaiden osuus on kaikista asukkaista pääkaupunkiseudulla. Kuvan 1 teemakartasta voi nähdä oranssin sävyillä alueet, joissa muunkielisiä asuu suurimmat osuudet. Sinisen ja vihreän sävyillä on kuvattu alueita, joissa muunkielisiä asuu pienimmät osuudet. Kuvasta 1 on tulkittavissa, että Itä-Helsingissä muunkielisten osuus on monin paikoin yli 20 prosenttia. Myös Vantaalta ja Espoosta löytyy sijainteja, joissa muunkielisten osuus on yli 30,6 prosenttia. Helsingin, Espoon ja Vantaan ulkorajoilla muunkielisiä on monin paikoin alle 5,3 prosenttia ja Helsingin keskustassa alle 14,4 prosenttia.

Näin jälkikäteen karttaa analysoitaessa mieleen tulee useampia asioita, joita siinä olisi voinut muuttaa, jotta siitä saisi informatiivisemman ja helpommin luettavan. Kartan visualisoinnissa olisi voinut vähentää luokkia esimerkiksi viiteen, sillä nyt kartalla ei ole ollenkaan punaisia ruutuja johtuen siitä, että missään pääkaupunkiseudun alueella muunkieliset eivät muodosta yli 57,1 prosenttia asukkaista. Tämä luokka on siis turha ja heikentää kartan informaatioarvoa. Myös kuntarajat olisi ollut hyvä saada kartalle, sillä silloin lukijan olisi helpompi hahmottaa, mitä aluetta milläkin ruudulla kuvataan. Muuten kartta mielestäni näyttää hyvin eri alueiden väliset erot.

Kuva 1. Muunkielisten prosenttiosuus kaikista asukkaista pääkaupunkiseudulla.

Ruututeemakartalla ei mielestäni ole aina kannattavaa esittää absoluuttisia arvoja, sillä ruudut eivät ole aina tarkin tapa kuvata ilmiötä. Yhden ruudun sisälle mahtuu iso alue, jonka sisällä ilmiö voi vaihdella merkittävästi. Perinteiseen koropleettikarttaan verrattuna ruututeemakartan informaatioarvo voi olla korkeampi. Pisteaineistot ovat kaikkein tarkimpia paikkatietoaineistoja, joten niiden informaatioarvo on aika korkeampi, kuin ruutukarttojen. Ruututeemakarttojen luettavuus verrattuna muihin teemakarttoihin on hyvä, sillä se kuvaa tehokkaasti alueiden välisiä eroja. Esimerkiksi koropleettikartta ei pysty kuvaamaan eroja niin tarkasti, kuin ruututeemakartta.

Ruututeemakartan jälkeen kurssikerralla siirryttiin rasteriaineistoihin. QGISiin avattiin korkeusmallirasteriaineisto Pornaisten alueesta ja peruskarttalehti samalta alueelta. Tämän jälkeen luotiin rinnevarjostukset käyttämällä Hillshade-toimintoa. Viimeisenä asiana kurssikerralla harjoiteltiin piirtämistä rasterikartan avulla. Pornaisten kartalle keskustan alueelle piirrettiin tiet ja talot. Minulla talojen piirtäminen jäi kotitehtäväksi, mutta yrittäessäni avata karttaa piirtääkseni talot, kartta ei auennutkaan oikein. Sama tapahtui ruututeemakartan kanssa, joten en päässyt tätäkään tehtävää tekemään vielä loppuun asti. Jos saan Pornaisten kartan jossain vaiheessa avattua QGISissä, lisään kuvan vielä blogiin.

 

Toinen kurssikerta

Toisella kurssikerralla tutustuttiin siihen, miten projektiot vaikuttavat karttaan ja sen mittoihin ja miten vaikutuksen saa visualisoitua kartalle. Noudatin omaa neuvoani viime viikolta ja tein toisen kurssikerran kotitehtävät jo kurssikertaa seuraavana päivänä. Tälläkin viikolla vaivuin useamman kerran epätoivoon tehtäviä tehdessäni, sillä en ollut muistanut, miten saan tuotettua samaan tietokantaan uudet pinta-alatiedot. Tämän pohtimisessa meni aivan liian kauan aikaa, mutta lopulta onneksi tajusin, että Moodleen oli lisätty video tehtävän tekemisestä. Sen avulla sainkin sitten melko nopeasti kaikki pinta-alat laskettua ja kartat visualisoitua. Toivon, että myös tulevien kurssikertojen aiheista julkaistaan videot Moodleen. Huomasin, että oma ymmärrykseni QGISin käytöstä on vielä niin heikkoa, että jos ohjeissa ei ole aivan jokaista eri valintaa merkitty selkeästi, saattaa jotain mennä helposti pieleen ja näin koko työ epäonnistua.

Taulukko 1. Kartalle rajatun alueen pinta-alan vertailu eri projektioiden välillä.

TM35FIN Robinson Mercator Gall-Peters Bonne Winkel-Tripel
Pituus (km) 106.335 187.7 295.4 208.2 106.8 149.2
Pinta-ala (km) 5524.9 7669.6 43820 13758 5526 7665.3
Pinta-alan erotus TM35FIN 2144,7 38295,1 8233,1 1,1 2140,4
Pinta-alan prosentuaalinen ero TM35FIN 38,8 % 693,1 % 149 % 0 % 38,7 %

 

Taulukosta 1 voidaan nähdä Suomi-neidon päälaelta rajattu alue sekä alueen yhden sivun pituus mitattuna käyttäen kuutta eri projektiota. Projektiot ovat Suomen aluetta hyvin kuvaava ETRS-TM35FIN-projektio, Robinsonin projektio, Mercatorin projektio, Gall-Petersin projektio, Bonnen projektio ja Winkel Tripel- projektio. Projektion valinta vaikuttaa huomattavasti esitettävään tietoon, kuten taulukosta voi nähdä. Bonnen projektio vääristää etäisyyttä ja pinta-alaa vähiten verrattuna TM35FIN-projektioon. Mercatorin projektio vääristää mittauksia eniten ja sen mukaan mitatut alueet ovat lähes 700 % suurempia, kuin TM35FIN-projektion mukaan mitatut. Mercatorin projektio suurentaa napojen lähellä olevia alueita ja pienentää päiväntasaajan alueita merkittävästi. Tämä aiheuttaa sen, että kartalla esimerkiksi Suomi näyttää paljon oikeaa kokoaan suuremmalta, ja Afrikan manner oikeaa kokoaan pienemmältä. Tiedon luotettavuus siis kärsii pahasti, jos valittu projektio ei kuvaa aluetta oikeassa mittasuhteessa.

Kuvat 1, 2 ja 3 kuvaavat pinta-alakertoimen vääristymistä kolmessa eri projektiossa verrattuna Suomen aluetta hyvin kuvaavaan TM35FIN-projektioon. Koostin kartat laskemalla QGISillä ensin pinta-alojen erotukset eri projektioiden välillä ja visualisoimalla ne sen jälkeen kartalle. Kuvassa 1 näkyy pinta-alakertoimen vääristyminen (%) Robinsonin projektiossa verrattuna TM35FIN-projektioon. Vääristyminen on suhteellisen pientä, sillä vääristymisprosentti on kaikilla Suomen alueilla etelästä pohjoiseen alle 1,4. Kuvan 1 vääristymät on kuvattu käyttäen vain viittä väriä, kun taas kuvissa 2 ja 3 on käytetty 8 eri väriä. Käyttämällä viittä väriä Suomi on jaettu isompiin alueisiin, joten vääristymäprosentti ei voi kuvata koko värialuetta täysin realistisesti. Kuvissa 2 ja 3 alueet on jaoteltu pienempiin osiin, joten vääristymät on kuvattu realistisemmin.

Kuvassa 2 TM35FIN-projektiota on verrattu Mercatorin projektioon, ja vääristymät ovat huomattavasti suurempia, kuin Robinsonin projektioon vertaamalla. Mercatorin projektio onkin tunnettu vääristävän voimakkaasti napa-alueita, joka selittää sen, että vääristymisprosentti Suomen kaikilla alueilla on vähintään 4, mutta jopa 8,3. Eniten projektio vääristää Suomen pohjoisinta osaa, sillä se sijaitsee lähimpänä pohjoisnapaa.

Kuvan 3 Winkel-Tripel -projektion vääristäminen on lähempänä Robinsonin projektiota. Se vääristää Etelä-Suomea noin 1,3 prosenttia ja Pohjois-Suomea noin 1,5 prosenttia. Winkel-Tripel -projektion vääristymiä olisi voinut havainnollistaa myös viidellä eri värillä kahdeksan sijaan, sillä vääristymien erot etelästä pohjoiseen ovat vain noin 0,4 prosenttiyksikköä. Mercatorin projektion vääristymät taas vaihtelevat etelästä pohjoiseen yli 4 prosenttiyksikköä, jonka takia suurempi määrä luokkia visualisoinnissa on toivottavaa. Vääristymän alueellinen jakautuminen kartalla johtuu siitä, että kaikki käytetyistä projektioista vääristävät napojen läheisiä alueita eniten, joka Suomessa tarkoittaa sitä, että Pohjois-Suomi on vahvimmin vääristynyt. Mielenkiintoista on, että vaikka Winkel-Tripel -projektio on nykypäivänäkin käytössä monella eri taholla, vääristää se Suomen aluetta hieman enemmän, kuin aiemmin laajasti käytössä ollut Robinsonin projektio.

Kuva 1. Pinta-alakeroimen vääristyminen (%) Robinsonin projektiossa verrattuna TM35FIN-projektioon.
Kuva 2. Pinta-alakertoimen vääristyminen (%) Mercatorin projektiossa verrattuna TM35FIN-projektioon.
Kuva 3. Pinta-alakertoimen vääristyminen (%) Winkel Tripel -projektiossa verrattuna TM35FIN-projektioon.

Ensimmäinen kurssikerta

Ensimmäinen kurssikerta

Ensimmäinen kurssikerta on nyt käytynä. QGIS tuli jo hieman tutummaksi, mutta minulla on sen käyttämisessä vielä valtavasti opeteltavaa. Kurssikerralla kartan visualisointi opettajan johdolla tuntui vielä jokseenkin selkeältä, mutta kun aloin tekemään kotitehtäväkarttaa Suomen kunnista, tuntui kun en olisi QGIS-ohjelmaa koskaan avannutkaan. Minulla meni tosi pitkään, että pääsin tehtävässä edes alkuun. Lopulta kurssikerran ohjeita tarkasti seuraamalla sain aikaiseksi jonkinlaisen kartan, mutta parannuksen varaa olisi vielä paljon.

Vaikka ajauduin pieneen epätoivoon tehtävää tehdessäni, koen kuitenkin oppineeni jotain ensimmäisen kurssikerran jälkeen. Koen nyt olevani kykenevä etsimään QGIS-ohjelmasta eri toimintoja itsenäisemmin. Osaan myös liittää ohjelmaan dataa ja kaivaa esiin muuttujataulukot. Ohjeiden avulla onnistuin visualisoimaan itsenäisesti yksinkertaisen kartan, mutta hienosäädössä olisin kaivannut lisää neuvoja.

Kotitehtävänä koostamassani kartassa (kuva 1) näkyy Suomen kuntien väkiluvut prosenttiosuuksina koko väestöstä. Legendasta voidaan nähdä kymmenen eri luokittelua välillä 0 % – 11,9 %. Väkiluvultaan prosentuaalisesti suurimmat kunnat on kuvattu kirkkaanpunaisella, kun taas pienet kunnat vaaleamman punaisella. Kartassa on mukana myös valkoisia kuntia, joihin sisältyvät kaikki alle 2778 asukkaan kunnat. Legenda näyttää, että näissä kunnissa asuisi 0 % Suomen väestöstä, joka ei tietenkään ole totta. En saanut QGISillä muokattua tietoja niin, että pienimmät kunnat olisivat näkyneet kartalla järkevästi. Tämä olkoon oppimistavoite tuleville tunneille.

Kartasta voidaan päätellä, että kuntia, joissa asuu yli 5,4 prosenttia Suomen väestöstä on 4: Helsinki, Espoo, Vantaa ja Tampere. Tämäkään ei tosin näy kartasta kovin tarkasti, sillä kirkkaimman punainen väri ei erotu toiseksi kirkkaimmasta kauhean hyvin. Seuraavaksi suurimmassa kategoriassa ovat Turku ja Oulu. Kunnat olisi ehkä voinut jakaa esimerkiksi viiteen eri kategoriaan kymmenen sijasta, jolloin värisävyt erottuisivat paremmin toisistaan. Kartasta kuitenkin löytyy kaikki tarvittava tieto, joka lisää sen informaatioarvoa.

 

Kuva 1. Koropleettikartta Suomen kuntien väkiluvuista.

Ensimmäisellä kurssikerralla tehtiin koropleettikartta Euroopan maiden typpipäästöistä Itämereen. Kuvan 2 kartassa on esitetty kirkkaimman punaisella maa, jonka typpipäästöt ovat suurimmat, joka tässä tapauksessa on Puola. Vaaleamman punaisen väreillä kuvataan vähemmän typpipäästöjä tuottavia maita. Vihreällä on kuvattu maat, jotka eivät ole Itämeren rannalla ja vaaleansinisellä järvet. Itämeren syvyyskäyrät ovat ruskean sävyisiä ja HELCOM-merialueet kirkkaamman sinisellä.

Kuva 2. Koropleettikartta Itämeren rannikon maiden typpipäästöistä Itämereen.

Vielä loppuun laitan itsellenikin muistutuksen ensi viikkoa varten. Tein tällä viikolla kotitehtävän vasta 3 päivää kurssikerran jälkeen, ja olin selvästi unohtanut monet QGISin käyttöön liittyvät yksityiskohdat, joka vaikeutti kartan tekoa. Ensi viikolla siis teen kotitehtävän mahdollisimman pian kurssikerran jälkeen, jotta kaikki tieto on tuoreena mielessäni. Suosittelen samaa myös muille!