Kuukausi: tammikuu 2024

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. Myös Krista Hakala (2024) pohti luokkien määrää blogissaan, mutta hieman eri näkökulmasta kuin minä. Hakala (2024) nosti esille, että mikäli eri projektioilla tuotetuissa kartoissa on eri määrä luokkia visualisoimassa tuloksia, voi lukija saada virheellisen kuvan projektioiden vääristymien mittaluokasta. Pietu Nuortimo (2024) onkin ratkaissut ongelman työssään valitsemalla kaikkiin kolmeen karttaan saman värigradientin sekä visuaalisen asettelun.

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.

Lähteet

Hakala, K. (2024) Toinen kurssikerta. Kristan blogi. Viitattu 29.2.2024.  https://blogs.helsinki.fi/krishaka/2024/01/31/toinen-kurssikerta/

Nuortimo, P. (2024) Toinen kurssikerta. Pietun GIS-seikkailu. Viitattu 29.2.2024. https://blogs.helsinki.fi/pietunuo/2024/01/23/toinen-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. Miska Pihlajaniemi (2024) on sen sijaan saanut ruotsinkielisten osuutta kuvaavalle kartalleen hyvin esiin pienimmän luokan, joka on hänen kartassaan 0-0,1 %.

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.

 

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. Veera Matikainen (2024) pohti blogissaan, että kartasta olisi saanut vielä informatiivisemman, jos valtioiden päällä olisi esitetty prosenttiluvut typpipäästöistä. Olen samaa mieltä Veeran kanssa, ja ne olisi ollut hyvä lisä omalle kartallenikin.

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!

Lähteet

Matikainen, V. (2024) Ensimmäinen kurssikerta. Veeran GIS-blogi:). Viitattu 29.2.2024. https://blogs.helsinki.fi/veematik/2024/01/18/hello-world/

Pihlajaniemi, M. (2024) Ensimmäinen luento. Pmiska’s blog. Viitattu 29.2.2024. https://blogs.helsinki.fi/pmiska/2024/01/24/ensimmainen-luento/