Tekijä: Sini M Rautiainen

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. Henrikki Kopsa (2024) on lisännyt omaan karttaansa vielä legendan, joka lisää kartan informaatioarvoa.

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. Taika Jaakkolalla (2024) on blogissaan mielestäni myös hyvä tapa esittää tietoa maanjäristyksistä. Jaakkola (2024) on yhdistänyt samalle kartalle eri kokoluokkien maanjäristykset kuvaten niitä eri kokoisilla ja värisillä merkeillä.

Myös litosfääriaattojen saumakohdat olisi hyvä lisätä kartalle, mikäli niitä käyttäisi kouluopetuksessa.  Jaakkola (2024) lisää myös, että laattojen liikesuunnat kasvattaisivat kartan opetuksellista arvoa. Legenda, mittakaava ja pohjoisnuoli 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 (N.d.), josta löytyy myös kattavasti lisätietoa aiheesta esimerkiksi opetusta varten.

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/

Jaakkola, T. (2024) Viikko 6. Happihyppely ja sen tulokset sekä opetuskarttoja vaikka en opettajaksi haluakaan. Taikamatkalla GIS-velhoksi. Viitattu 1.3.2024. https://blogs.helsinki.fi/jztaika/2024/02/22/happihyppely-ja-sen-tulokset-seka-opetuskarttoja-vaikka-en-opettajaksi-haluakaan/

Kopsa, H. (2024) Geoinformatiikan menetelmät 1, kuudes luento/työpaja!. Henrikin blogi. Viitattu 1.3.2024. https://blogs.helsinki.fi/hekopsa/2024/02/24/geoinformatiikan-menetelmat-1-kuudes-luento-tyopaja/

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. Tai kuten Tiia Tukiainen (2024) ehdottaa, buffereita voitaisiin käyttää tutkiessa festareiden aiheuttamaa meluhaittaa eläimille ja ihmisille. 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 taulukkoon 1 merkkaamani tulokset oikein laskettuja vai eivät. No, yritin kuitenkin parhaani. Ja ainakin osan tuloksista voin olettaa olevan oikeita, sillä Heikki Säntti (2024) sai taajamiin liittyviin kysymyksiin lähes samat vastaukset, kuin minä. Myös aineiston laatu voi tietenkin rajoittaa QGISin käyttömahdollisuuksia.

Lähteet

Säntti, H. (2024) Viiden kurssikerta. Heiggi’s blog. Viitattu 29.2.2024. https://blogs.helsinki.fi/hksantti/2024/02/15/viides-kurssikerta/

Tukiainen, T. (2024) Viikko 5: Puskuroin itseni buffereiden saloihin. Geoinformatiian blogi. Viitattu 29.2.2024. https://blogs.helsinki.fi/tii-tuki/2024/02/21/5-kerta/

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 (2024) kanssa. Hänen blogistaan 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.

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. Gaius Eriksson (2024) lisäsi tähän vielä sen, että ruutujen koolla on tietenkin merkitystä ja isompi ruutu vääristää aineistoa enemmän kuin pienempi ruutu.  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, tämäkään kartta ei auennut oikein. Kävin kuitenkin myöhemmin piirtämässä talot kartalle ATK-luokassa, joka voidaan nähdä kuvassa 2.

Lähteet

Eriksson, G. (2024) MAA202 Neljäs viikko. Gaiuksen kurssiblogi. Viitattu 29.2.2024. https://blogs.helsinki.fi/ezgaius/2024/02/06/maa202-neljas-viikko/

Tukiainen, T. (2024) Viikko 4: Ruutu- ja rasterikartat. Geoinformatiian blogi. Viitattu 29.2.2024. https://blogs.helsinki.fi/tii-tuki/2024/02/21/4-kerta/

 

Kolmannella kurssikerralla harjoittelimme uuden tiedon tuottamista ja tietokantojen yhdistämistä olemassa olevaan tietokantaan. Koostimme tietoa tuottamalla ja yhdistelemällä kartan Afrikasta, josta näkyy timanttilöydökset, konfliktit, ja öljykentät maanosassa. Lopputulemana oli se, että kaikki edelliset tiedot löytyivät saman tietokannan ominaisuustaulukosta, joka mahdollisti niiden tulkinnan ja vertailun.

Kuvasta 1 voidaan nähdä, että öljykentät ovat suurelta osin sijoittuneet Pohjois-Afrikkaan Algerian, Libyan, Tunisian ja Egyptin alueille. Myös Nigeriasta ja muutamasta muusta Keski-Afrikan maasta löytyy öljykenttiä. Timanttilöydökset taas ovat sijoittuneet Saharan eteläpuoliseen Afrikkaan. Konflikteja on esiintynyt lähes kaikkialla Afrikassa, mutta painottuneesti Keski-Afrikassa. Kuva 1 osoittaa, että monin paikoin konfliktit ovat keskittyneet samoihin paikkoihin, kuin öljykenttä- tai timanttilöydökset. Esimerkiksi Norsunluurannikolla, Liberiassa ja Sierra Leonessa konfliktit on helposti yhdistettävissä timanttikaivosten sijoittumiseen. Toisaalta vaikka Etelä-Afrikassa on paljon timanttilöydöksiä ja Libyassa öljykenttiä, ei maissa ole tapahtunut juuri ollenkaan konflikteja. Tästä voidaankin mahdollisesti päätellä maan kehityksen tasoa, sillä jos maa on jo valmiiksi vauraampi ja kehittyneempi, eivät löydökset välttämättä aiheuta konflikteja niin helposti, sillä ihmiset tulevat toimeen paremmin.

Jos tietokantaan tallentaisi tietoa myös konfliktin tapahtumavuodesta, laajuudesta, timanttikaivosten löytämisvuodesta ja kaivausten aloitusvuodesta voitaisiin päätellä tarkempia yhteyksiä konfliktien ja timanttien kaivuun välillä. Monissa maissa yhteyttä ei ole, sillä konflikteja voi olla ilman timanttikaivoksiakin ja kaikissa maissa, joissa on timanttikaivoksia, ei esiinny konflikteja. Niissä maissa, joissa on konflikteja sekä timantteja, voisi vuosilukujen avulla löytyä yhteyksiä. Sama pätee öljykenttiin. Tuottavuutta voidaan tarkkailla sekä timanttien, että öljykenttien kohdalla ja pohtia, vaikuttaako esimerkiksi hyvin tuottava kaivos konfliktien määrään. Internetkäyttäjien lukumäärää eri vuosina voisi myös tarkastella yhteydessä konflikteihin, sillä monesti internetin käyttöprosentti kertoo kehittyneemmästä valtiosta. Aura Niskanen (2024) on osannut pohtia edellisiä tekijöitä blogissaan vielä paljon syvällisemmin kuin minä. Niskasen (2024) ehkä tärkein pointti on se, että käyttämillämme muuttujilla voi kyllä spekuloida asioita, kuten olen tehnyt, mutta selkeitä johtopäätöksiä ei pelkästään näiden tietojen perusteella voida tehdä.

Itsenäisenä tehtävänä tällä kerralla oli laskea tulvaindeksi Suomen valuma-alueille sekä samojen alueiden järvisyysprosentit. Sain tehtävän ihan hyvin alkuun ja lisättyä valuma-alue-tietokantaan keskiylivirtaama sekä järvisyys-taulukot Excelin kautta. Myös tulvaindeksin sain laskettua uuteen sarakkeeseen. Ongelmia tuli vastaan ääkkösten kanssa, sillä QGIS ei jostain syystä tunnistanut niitä. Koitin ratkaista ongelman kurssikerran ohjeiden mukaan korvaamalla UTF-koodiston ISO-8859-10 -koodistolla, mutta tämä aiheutti vain sen, että ääkköset hävisivät joennimistöstä kokonaan. Työ on nyt siis tehty näiden rajoitteiden kanssa.

Kuvasta 2 näkyy tulvaindeksi Suomen valuma-alueilla, sekä järvet ja joet. Kartalta voidaan nähdä, että tulva-alueet painottuvat Pohjanmaalle sekä Länsi- ja Etelä-Suomen rannikkoseuduille ja aivan pohjoisimpaan Suomeen. Tämä on loogista, sillä näillä alueilla on merkittäviä jokia, järviä, tai tulvariski meren läheisyyden ja myrskyämisen takia. Mielestäni kartan väritys lisää sen informaatioarvoa ollessaan helposti luettava. Järvisyysdiagrammeja en lukuisista yrityksistä huolimatta saanut lisättyä kartalle. Löysin QGISistä diagrammit-osion, mutta lisätessäni diagrammit valuma-alue-tietokannan visualisointiin, ne eivät jostain syystä näkyneet kartalla ollenkaan. Sampo Väätäjä (2024) on sen sijaan onnistunut saamaan omalle kartalleen diagrammit näkymään oikein.

Lähteet

Niskanen, A. (2024) Kolmas kurssikerta. Auran blogi. Viitattu 29.2.2024. https://blogs.helsinki.fi/niskanau/2024/01/31/kolmas-kurssikerta/

Väätäjä, S. (2024) Kolmas kurssikerta (30.1.2024). Sampon blogi. Viitattu 29.2.2024. https://blogs.helsinki.fi/vsampo/2024/02/02/kolmas-kurssikerta-30-1-2024/

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/