Saara's blog

Aloitus

Tällä viimeisellä kurssikerralla itse ei ollut mitään luento-osuutta, kuten useimmilla viime kerroilla oli, sillä tänään tarkoituksena oli pyöritellä aineistoja QGIS:sissä täysin itsenäisesti. Sitä varten meitä oli jo viime kerralla kehotettu etsimään oma aineisto, jota sitten käyttää tunnilla. Itsehän ymmärsin aluksi, että meidän pitäisi itse tuottaa jokin täysin uusi aineisto, mutta onneksi näin ei ollut, vaan saimme tuoda internetin syövereistä minkä tahansa haluamamme aineiston.

Päädyin etsimään aineistoa Our World in Data -sivustolta ja sitä kautta hakeuduin hieman synkempiin aiheisiin; ensimmäinen aineisto, johon päädyin oli lapsikuolleisuus (alle 15-vuotiaat) maailmanlaajuisesti vuosina 1950–2021. Koska tehtävänannossa kehotettiin tekemään kartta, joka esittäisi ainakin kahta muuttujaa, etsin sivustolta vielä toista aineistoa, joka sopisi ensimmäiseen. Samalla, kun tätä tein, niin törmäsin useampaan artikkeliin lapsikuolleisuudesta ja siihen vaikuttavista tekijöistä, kuten köyhyys ja rokottamattomuus. Tästä sainkin idean ottaa toiseksi aineistoksi vauvana saatavat rokotteet, sillä niin valmiista kartasta voisi mahdollisesti tutkailla, onko rokotteilla vaikutusta lapsikuolleisuuteen.

Our World in Data -sivustolta löytyi useampi aineisto tähänkin, joten valinnan vaikeutta oli. Aluksi latasin aineiston, jossa esitettiin 1-vuotiaiden rokotettavuustasoa maailmanlaajuisesti. Jokainen rokote oli listattu erikseen (esim. tuhkarokko ja hepatiitti B) ja tietoa oli vuodesta 1980 vuoteen 2021 asti. Hieman liikaa, siis. Tämän takia päätin rajata aineistohakua useasta rokotteesta yhteen rokotteeseen, ja koska satuin näkemään useamman artikkelin siitä, miten ripulointi on yksi suurimmista syistä lapsikuolleisuuteen, valitsin rokotteeksi rotavirusrokotteen. Rotavirus on ripulia ja oksentelua aiheuttava virus ja aiheuttaa vuosittain satojatuhansia lapsikuolemia (Wikipedia, 2023).

Noniin, nyt kun sain viimein aineistot valittua, on aika siirtyä QGIS:siin. Totta kai olisi ehkä auttanut, jos olisin tallentanut nämä tiedostot pilveen, niin minun ei olisi tarvinnut etsiä niitä uudestaan tunnin alussa, mutta ei se mitään. Isompia ongelmia oli nimittäin jo horisontissa.

Kartan teko

Ensimmäisenä latasin maailmankartan Open Data Soft -sivustolta ja se olikin koko kerran helpoin homma. Sitten vierähtikin yksi tunti täysin siinä, että yritin saada edes yhtä aineistoa QGIS:siin – tai pikemminkin siinä, että tajusin että olin onnistunut siirtämään aineistoin ohjelmaan oikein. Our World in Data -sivustolta sai siis ladattua aineiston valmiina .csv-muodossa, jolloin se tuli taulukkona QGIS:siin, mutta muokkaamattomana molemmissa aineistoissa oli ihan liikaa tietoa. Esimerkiksi lapsikuolleisuutta esittävässä aineistossa kohteita oli yli 7000.

Käytin QGIS:sin aggregate toimintoa poimiakseni aineistosta vain vuoden 2021 tiedot. Siihen meni turhan pitkän aikaa, sillä en aluksi muistanut, miten aggregate edes toimii, eikä siitä löytynyt ohjeita edellisten kurssikertojen aineistoista. Näin ollen päädyin etsimään ohjeet yksinkertaisesti Googlesta. Sen jälkeen liitin uuden aggregate aineiston pohjakarttaan, mutta siinäkin ongelmana oli, etten aluksi tajunnut onnistuneeni siinä, sillä toisin kuin olin oletin (ja muistelin tapahtuvan), liittäminen ei luonut uutta tasoa. Tässä vaiheessa pyysin apua Paarlahdelta, koska totesin, että tunti oli ihan tarpeeksi tuskailua niinkin yksinkertaisesta asiasta.

Paarlahden avustuksella sain ensimmäisen aineiston liitettyä pohjakarttaan oikein, jonka jälkeen muokkasin kartan värimaailmaa niin, että aineisto tuli siinä esiin. Kuvan 1 kartta on valmis tuotos ja rajattu selkeyden takia vain Afrikkaan. Siihen on myös liitetty rokoteaineisto, jonka muokkasin samalla aggregate toiminnolla kelpoiseksi aineistoksi ja liitin sitten karttaan.

Koska kartan on tarkoitus kuvata kielteistä muuttujaa, totta kai valitsin väriksi punaisen. Mitä punaisempi valtio, sitä enemmän lapsikuolemia siellä kirjattiin vuonna 2021. Numerot kuvassa 1 kertovat, kuinka monta 1-vuotiasta lasta EI ole saanut rotavirusrokotetta.

Mielestäni, ja täysin suoraan laitettuna, kartta ei ole hyvä. Ehkä jos olisin kuluttanut aineiston valintaan hieman enemmän aikaa, olisin voinut tehdä niistä toisiinsa enemmän sopivat. Minulla kävi mielessä kuvata kartalla vain alle 1-vuotiaiden kuolemat, jolloin luvut olisivat olleet hieman pienemmät ja ehkä myös paremmin vertailtavissa rokotetietoihin. Hankaluuksia tuli esiin myös rokotetietojen esittämisessä; vaihtoehtona oli esittää ne pylväinä, piirakoina tai numeroina, ja kuten kuvasta 1 näkee, päädyin numeroihin. En kokenut, että oli mitään järkeä esittää rokotetietoja pylväinä tai piirakoina, sillä niistä ei saa mitään käsitystä, millaisista numeroista loppu kädessä oli kyse. Mutta myöskään tietojen esittäminen numeroina ei onnistunut täydellisesti, sillä numerot menevät joissakin kohtaa päällekkäin valtion rajojen, toisten numeroiden ja valtioiden nimien kanssa. Alleviivasin numerot, jotta ne olisivat vähän selkeämmät, mutta ei siitäkään ollut kauheasti apua.

Molemmat aineistot olivat myös puutteellisia. Harmaat valtiot kuvassa 1 ovat valtioita, joista ei ollut dataa ollenkaan ja ne, joiden päällä ei ole numeroita, ei tietenkään ollut myös dataa rokotteista. Kuvassa 1 näkyy myös muiden kuin Afrikan valtioiden tietoja, sillä tein kartan siis alun perin koko maapallosta – mutta koska numerot ja nimet ovat jo pelkän Afrikan kohdalla niin epäselviä, niin koko maapallon esittäminen olisi ollut vain yhtä sotkua.

Kartan epäselkeyden takia sitä on vaikea tulkita ja otan tästä nöyränä moitteet vastaan. Ja koska kyseessä on myös niin isoja numeroita, että pyöritään valitettavasti lapsikuolemien kannalta miljoonissa, on tavallisen kaduntallaajan varmasti vaikea myös hahmottaa ilmiö kokonaisuudessaan. Kaiken lisäksi Nigeriasta, jossa lapsikuolleisuus on ollut suurin vuonna 2021, ei ole rotavirusrokotteesta tietoa. Se olisi voinut olla parhain kandidaatti katsella rokotteiden ja kuolemien mahdollista yhteyttä – vaikka tässä minun on pakko muistuttaa, että mitään virallisia johtopäätöksiä tästä kartasta ja sen esittämien muuttujien yhteyksistä ei missään nimessä saa tehdä.

Haluan toki vielä sanoa, että vaikka kartta kuvaa synkkää aihetta, lapsikuolleisuus on tippunut hurjasti siitä, mitä se joskus on ollut. Our World in Data -sivustolta löytyvän artikkelin mukaan lasten selviytyminen aikuisikään on noussut 50 prosentista 96 prosenttiin (Roser, M. 2023). Afrikassakin tilanne on paljon parempi, kuin mitä se muutamia kymmeniä vuosia sitten oli.

Lähteet:

Our World in Data. Number of one-year-olds who are not vaccinated against rotavirus, 2021.  Number of one-year-olds who are not vaccinated against rotavirus, 2021 (ourworldindata.org)

Our World in Data. Youth mortality rate, 2021. Youth mortality rate, 2021 (ourworldindata.org)

Open Data Soft. World Administrative Boundaries – Countries and Territories. World Administrative Boundaries – Countries and Territories — Opendatasoft

Roser, M. 2023. Mortality in the past: every second child died. Mortality in the past: every second child died – Our World in Data

Wikipedia, 2023. Rotavirus. Rotavirus – Wikipedia

Aloitus

Ensimmäistä kertaa päästiin itse tuottamaan kurssikerralla käytettävää aineistoa, jippii! Pienen tietopläjäyksen jälkeen meidät siis lähetettiin ulos noin tunniksi keräämään Epicollect5-sovelluksen avulla tietoa Kumpulan lähiympäristöstä. Tarkoituksena oli siis tutkia Kumpulan alueella koettua turvallisuuden tunnetta eri puolilla aluetta, ja tietoa tästä hankittiin yksinkertaisesti sovelluksesta löytyvän kyselyn avulla. Vastauksia kyselyyn saatiin noin 100 kappaletta, ja niistä tehty – tai paremmin sanottona interpoloitu kartta, näytti tältä:

Kuvassa 1 mitä punaisempi alue, sitä turvattomammaksi se on meidän ryhmässämme arvioitu. Kartasta voi nähdä, että vain yksi alue on täysin punainen, kun toiset alueet taas ovat oransseja. Tämä punainen alue on Arabian kauppakeskuksen vieressä oleva tienristeys, mikä koettiin turvattomaksi mm. sen hektisen liikenteen takia.

Kuvaan 1 tarvittavaa aineistoa kerättiin pienissä 3–4 hengen ryhmissä. Omassa ryhmässäni turvallisuuden tunteeseen ja alueen viihtyvyyteen vaikutti eniten sää ja sen aiheuttamat olosuhteet: kylmän ja verrattain huonon sään takia kukaan ei hengaillut ulkona huvinvuoksi, ja liukkaat kohdat koettiin turvattomaksi. Mitä ilmeisimmin muissakin ryhmissä nämä olivat pääsyitä, tosin Paarlahden kysyessä miksi tuo Arabian kauppakeskuksen edusta koettiin turvattomimmaksi, vastauksena tähän annettiin kaikkea muuta paitsi säähän liittyviä syitä. Vaikka kartta kesällä näyttäisi siis täysin toisenlaiselta, on mahdollista, että kaikista turvattomin alue pysyisi kuitenkin punaisena.

Itsenäiset tehtävät

Itsenäisissä tehtävissä tällä kertaa piti tuoda aineistoja muualta kuin Moodlesta – tosin niitä esitettiin jo Moodlesta ladatulla valmiilla karttapohjalla, joka kuvasi koko maapalloa. Eikä näitä muualta tuotuja aineistoja myöskään täysin itse saanut valita, vaan niiden piti esittää kolmea (suhteellisen) globaalia hasardia: maanjäristyksiä, tulivuoria ja meteoriitteja. Aineistoja sai itse rajata, kuten teinkin, koska muuten QGIS olisi sanonut itsensä irti.

Kuvassa 2 on ensimmäinen tekemistäni kartoista, joissa kuvataan vuoden 1964 jälkeen purkautuneita tulivuoria Indonesiassa. Rajasin näinkin pienen alueen ihan vain selkeyden vuoksi ja lopputulos on yksinkertainen mutta siisti kartta.

Karttoja tehdessä huomasin, että Heikki Säntti (2024) oli vaihtanut kartoissaan valmiin pohjan satelliittikarttaan, mikä sai hänen karttansa näyttämään jopa hieman edustavammilta kuin alkuperäiseen karttapohjaan tehdyt kartat. Tämän takia päätin kokeilla tätä itsekin; kuvan 3 kartta on siis muuten täsmälleen sama kuin kuvan 2, mutta siinä käytetään satelliittikarttaa pohjana.

Viimeisessä tekemässäni kartassa kuvasin sekä Indonesian tulivuoria, että siellä tapahtuneita vähintään kahdeksan magnitudin maanjäristyksiä. Koska tulivuoret näkyivät kartalla vain jos ne olivat purkautuneet vuonna 1964 tai sen jälkeen, rajasin maanjäristyksiä vielä sen verran, että vain vuodesta 1964 eteenpäin tapahtuneet maanjäristykset näkyisivät. Kuva 4 on valmiiksi saamani kartta ja sen olen myös tehnyt satelliittikarttapohjalle.

Kuvan 4 kartasta voidaan nähdä, että suuri osa voimakkaista maanjäristyksistä tapahtuu tulivuorten läheisyydessä, mutta eivät kaikki. Kartassani ei näy litosfäärilaattojen rajoja, mutta mikäli ne näkyisivät, voitaisiin huomata, että kaikki maanjäristykset tapahtuvat niiden lähettyvillä.

Jos näitä kyseisiä karttoja siis otettaisiin opetuskäyttöön, minun olisi hyvä lisätä litosfäärilaattojen rajatkin karttoihin. Tällöin olisi helpompi havainnoida sekä tulivuorten että maanjäristyksien syntyä ja mahdollisesti perehtyä laattatektoniikkaan syvemmin. Tällä hetkellä valmiista kartoista voi vain havainnoida tulivuorten ja maanjäristyksien sijaintia valitulla alueella – toki kuvista 1 ja 2 voidaan myös havainnoida tulivuorten korkeuksia, jotka voidaan mahdollisesti yhdistää niiden ikään. Mutta siihenkin kartat eivät ole riittäviä.

Muuten kyseiset kartat sopivat opetuksessa hyvin ihan vain visuaaliseen havainnointiin. Kaikki kartat ovat siistejä ja yksinkertaisia, ja niiden avulla voidaan tukea oppimisprosesseja, sillä kuvat jäävät yleensä vahvemmin mieleen kuin pelkkä teksti.

Lähteet:

Säntti, H. (2024). Heiggi’s blog (helsinki.fi)

Aloitus

Bussilakon takia aamu alkoi pienellä aamulenkillä, mutta jotenkin sitä selvittiin paikan päälle lumipyrystä ja vääristä käännöksistä huolimatta (vaikkakin hieman märkänä ja juuri ja juuri ajoissa).

Moodlen huoltokatkon takia tunti käynnistyi hieman normaalia hitaammin, mutta pian QGIS oli tuttuun tapaan jo auki, ja jatkoimme siitä, mihin viime kerralla oli lopetettu – Pornaisesta. Vaikka olin onnistunutkin loppujen lopuksi tallentamaan itse tekemäni kartan niin, ettei se menettänyt mitään elementeistään, päädyin varmuuden vuoksi käyttämään Paarlahden valmista aineistoa; ainakin näin jos jotain meni väärin, vika olisi minussa eikä aineistossa.

Ensimmäisen, yhdessä tehdyn harjoituksen tarkoituksena oli opettaa meitä käyttämään jälleen kerran uusia toimintoja QGIS:sissä. Näistä tärkeimmät olivat Clip- ja Intermission-toiminnot, sekä tietenkin koko kerran pääjuttu, bufferointi (aka puskurointi).

Bufferoimalla Pornaisten karttaa, pystyttiin siitä rajaamaan ja tarkastelemaan haluttua aluetta tarkemmin. Esimerkiksi tällä keskiviikon kurssikerralla tarkasteltiin, kuinka monta asui yhden kilometrin säteellä kartalla näkyvästä koulusta ja kuinka monta taas sen ulkopuolella. Paarlahti kutsui bufferointia osuvasti piparkakkumuotiksi – valitaan sopiva piparkakkumuotti, jonka jälkeen syntyneelle layerille jäävät vain muotin sisään osuvat tiedot.

Näillä opituilla taidolla siirryttiin sitten itsenäisiin tehtäviin.

Tuntitehtävät

Ensimmäinen tuntitehtävä liittyi pääkaupunkiseudun lentokenttiin, Malmin lentokenttään ja Helsinki-Vantaa lentokenttään. Moodlesta ladattiin QGIS:siin valmiit tietokannat, joista Vantaan kartalle saatiin näkyviin lentokentät, lentomelu, asukkaiden sijainnit ja juna-asemat (joihin törmätään seuraavassa tehtävässä).

Lentokenttä tehtävissä selvitettiin, kuinka moneen asukkaaseen lentokoneista syntyvä melu vaikuttaa. Malmin lentokentän läheisyydessä sen vielä toimiessa, kahden kilometrin säteellä, meluvyöhykkeellä asui 58 754 ihmistä. Kilometrin säteellä taas 9047 ihmistä. Tässä vaiheessa kaikki oli vielä helppoa ja yksinkertaista; tiedot selvitettiin samoilla toiminnoilla kuin Pornaisten karttaa pyöriteltäessä. Kuva 1 ei ole valmis kartta, vaan jotain mistä nähdä miltä bufferointi parhaimmillaan näyttää QGIS:sissä.

Helsinki-Vantaa lentokentälle siirryttäessä törmäsin ongelmiin, mutta aloitetaan siitä, mitä vastauksia tehtävänantoon sain. Ensimmäiseksi piti selvittää, kuinka monta asukasta asui 65 desibelin melualueella. Päädyin 19 ihmiseen, jotka melualueella asuvasta väestöstä olivat 0,16%. 55 desibelin melualueella taas asui jo huomattavasti enemmän ihmisiä, vähintään 11 923 ihmistä.

Viimeisessä lentokenttiin liittyvässä tehtävässä piti selvittää, kuinka moneen ihmiseen melu vaikuttaisi vähintään 60 desibelin alueella, jos lentokoneet tulisivat poikkeuksellisesti Tikkurilan suunnasta. Vastauksena sain, että melu vaikuttaisi 13 221 ihmiseen.

Tässä Helsinki-Vantaa lentokenttä tehtävässä ei selkeästi riittänyt pelkästään se, että muisti mitä oli juuri yhdessä käyty läpi. Tehtävässä pärjäsi hyvin, jos muisti edellisiltäkin kurssikerroilta jotain ja osasi soveltaa niitä tähän tehtävään yhdessä bufferointi ja intermission -toimintojen kanssa. Tässä voin nostaa kättä ylös ja myöntää, että minulta tämän tehtävän tekeminen onnistui vain, koska vierustoverini ymmärsi, mitä tehdä – ja koska häntä haitannut minua auttaminen. Muuten olisin varmaan viitannut Paarlahdelta apua suunnilleen parin minuutin välein. Ongelmanratkaisu on hauskaa puuhaa ja pidin kyllä siitä, että tehtävä oli tarkoitus tehdä ilman opettajan jatkuvaa ohjeistusta, mutta vielä kun itse epäröin jokaisessa vaiheessa tekemisiäni, niin tehtävä oli kyllä yksi iso päänvaiva.

Seuraavan tehtävän teko sujui hieman paremmin, sillä se ei eronnut edellisistä tehtävistä mitenkään valtavasti. Tarkoituksena oli selvittää, kuinka monta ihmistä asui 500 metrin säteellä kartan juna-asemista, muuttaa se prosenteiksi ja viimeisenä piti selvittää, kuinka monta prosenttia näistä asukkaista oli työikäisiä. Vastaukseni näihin olivat 111 779 ihmistä, eli aseman läheisyydessä asui 21,65% kaikista alueen asukkaista ja työikäisiä heistä olivat 67%. Kokeilin, onnistuisiko laskujen tekeminen QGIS:sin laskimella, mutta sieltä tuli vastaukseksi jotain ihan muuta, niin puhelimen laskimella mentiin.

Mahdolliset lisätehtävät päivitetään myöhemmin!

Aloitus

Tällä kertaa emme aloittaneet kurssikertaa hyppäämällä suoraan QGIS:siin, vaan päivä käynnistyi kunnon tietopläjäyksellä, kun Paarlahti lähti kertomaan meille piste- ja ruutuaineistoista. Näihin tietenkin törmättiin heti, kun lähdimme päivän tehtäviin.

Tuntitehtävä

Kuten kurssikerran aloitus jo vihjasi, teemana tällä kertaa oli piste- ja ruutuaineistot, joista laadittiin kuvan 1 ja kuvan 2 ruutukartat. Alkupisteenä oli pääkaupunkiseudun kartta, jossa näkyivät mm. joet, järvet ja rantaviiva, ja johon liitettiin pistetietona erittäin yksityiskohtaista tietoa pääkaupunkiseudun asukkaista – ja nyt siis tarkoitan niinkin yksityiskohtaista, että pystyimme selvittämään Helsingin vanhimman rakennuksen, kuinka monta ihmistä siinä asuu ja minkä sukupuolisia he ovat. Jopa osoitetiedot olivat aineistossa, mikä sai minut ja vierustoverini pohtimaan, että onkohan se ihan ok, että kaikki se oli meidän nähtävänä.

Ruutukartan teko ja sen muokkaus sopivaksi oli ongelmatonta puuhaa, kun opettajan ohjeistuksella taas mentiin. Pikkuhiljaa QGIS alkaa olemaan sen verran tuttu, että pystyy tekemään itsekin joitakin päätelmiä ja käyttämään ohjelmaa pelkäämättä, että vahingossa pilaa koko projektin.

Teimme yhdessä ruutukartan, jossa lopulta esiteltiin ruotsinkielisten osuutta pääkaupunkiseudun väestöstä (kuva 1). Ruutukartan ruudut ovat 1km x 1km, eli sanoisin, että sitä pienempää luokkaa. Tässä valmiissa kartassa esitetään ruotsinkielisten määrä prosentuaalisina osuuksina, jotta se olisi helpommin tulkittava kartta, mutta Paarlahden opastuksella tehdyssä kartassa kuvattiin absoluuttisia lukuja. Jos totta puhutaan, kummatkaan kartat eivät onnistu esittämään ilmiötä järkevällä tavalla, mutta se lienee vain siksi, että ruutukartat eivät mielestäni oli osuva valinta tähän. Ruuduissa asukkaiden määrä itse on epäselvä; Helsingin keskustassa asukkaita on luonnollisesti enemmän yhdellä ruudulla, kuin esimerkiksi Espoon tai Vantaan laitamilla, mutta ruutukartalla näkyvät arvot riippuvat siitä, kuinka paljon ruudun alueella on asukkaita. Myös kuvan 2 ruutukartassa on tämä täsmälleen sama ongelma.

Laura Siltala, joka istui vieressäni tunnilla, kertoi myös blogissaan (2024) siitä, miten huomasimme, että vaikka meidän kahden ruudukkomme eivät sijoitukseltaan olleet hirveän erilaisia, valmiiksi saamissa kartoissamme oli silti selkeitä eroja. Itse huomasin saman myös esimerkiksi edessä istuvien kartoissa ja Paarlahden kartoissa. Toisin sanoen, en ehkä pitäisi näitä karttoja kovinkaan luotettavina, jos pienikin ero ruudukoissa saa aikaan täysin erilaisia karttoja. Sen lisäksi ruudun koolla on myös valtava vaikutus siihen, minkälainen kartta lopulta saadaan käteen. Itse en kokeillut tehdä eri kokoisia ruudukoita, mutta esimerkiksi Taika Jaakkola (2024) oli leikitellyt ruudukon koolla enemmän. Yksi hänen tekemistään kartoista oli tehty 2km x 2km ruudukolla, ja olen samaa mieltä Jaakkolan kanssa siinä, että se oli oitis silmää miellyttävämpi kuin esimerkiksi 1km x 1km kartta.

Mutta vaikka nyt haukun näitä kyseisiä karttoja, mielestäni ruutukartoilla on myös tehtävänsä. Ne yleistävät ja esittävät ilmiöitä usein karkeasti, mutta samaan aikaan ne voivat olla selkeämpiä ja yksityiskohtaisempia kuin perinteiset koropleettikartat. Pieni ruudukko antaa mahdollisuuden esittää ilmiötä tarkemmin, tosin siinäkin on silloin otettava huomioon millaisina lukuina ilmiötä esitetään. Jos luvut ovat järkeviä, mielestäni ruutukartan tulkitseminen voi olla jopa helpompaa kuin koropleettikartan.

Lopuksi

Aloitimme myös viimeisen tunnin aikana valmistelemaan aineistoa seuraavaa kertaa varten. Aluksi kaivoimme Moodlen valmiista aineistosta joitakin rasteriaineistoja esille QGIS:siin, joista yksi oli peruskartta Pornaisen alueesta ja neljä muuta aineistoa, joista saatiin muokattua Pornaisten peruskarttaan siitä puuttuvat korkeuskäyrät.

Rinnevarjostuksen teko ja niistä edelleen korkeuskäyriin päätyminen olivat ihan hauskaa puuhaa. Valmiiseen tuotokseen alettiin sen jälkeen piirtämään teitä ja rakennuksia; tuttua puuhaa edellisen periodin Tiedon esittäminen maantieteessä -kurssilta, jossa tätä sai tehdä kyllästymiseen asti. Onneksi alue, jolle näitä teitä ja asuinrakennuksia tehtiin ei ollut mitenkään erityisen suuri.

Tälläkään kertaa minulla ei ollut mitään ongelmia aineiston tuottamisessa, varsinkaan kun se tehtiin opettajan ohjeistuksella. Ainoa ongelma tuli vastaan tallennuksessa, koska kun kotona yritti avata samaa tiedostoa läppärin kautta, niin korkeuskäyrät olivat maagisesta kadonneet ja jäljelle jäänyt tuotos oli tällainen:

Toivon todella, ettei tarvitsisi täysin uudestaan sumplia korkeuskäyriä aineistoon, mutta tällä hetkellä kyllä näyttää vähän siltä. Noh, onneksi se ei ole mitenkään erityisen hankalaa, mutta jää nähtäväksi onnistuuko senkään tallennus, hehe.

Lähteet

Siltala, L. (2024). Lauran blogi. MAA-204, Geoinformatiikan menetelmät, 2024. Lauran blogi | MAA-202 Geoinformatiikan menetelmät, 2024 (helsinki.fi)

Jaakkola, T. (2024). Taikamatkalla GIS-velhoksi. Geoinformatiikan menetelmät 1-kurssin tuotoksia ja mietteitä. Taikamatkalla GIS-velhoksi – Geoinformatiikan menetelmät 1 -kurssin tuotoksia ja mietteitä (helsinki.fi)

Aloitus ja ensimmäinen harjoitus – Afrikan muokkaaminen

Tälläkin kertaa hyppäsimme suoraan QGIS:sin lämpimään syleilyyn oitis, kun tunti alkoi. Kuten edellisilläkin kerroilla, Moodlessa oli valmis aineisto, jota lähdimme muokkaamaan QGIS:sissä. Aineistona löytyi tällä kertaa Afrikka; latasimme yllättävän yksityiskohtaisen kartan Afrikan mantereesta, joka sisälsi samalla alueen valtioiden nimet ja rajat. Mutta sehän ei meille riitä!

Harjoituksen tarkoituksena oli harjoitella tiedonhakua ja tuomista QGIS:siin. Jonkin verran siis viime kerralta tuttua heti alkuun, mutta siinä missä viimeksi jäätiin tähän, niin tällä kertaa emme pelkästään iskeneet uutta kerrosta vanhan kerroksen päälle – vaan yhdistimme uutta tuomaamme tietoa alkuperäiseen Afrikka aineistoon. Kuten Arttu Paarlahti sanoi, niin ”joinasimme” uutta tietoa vanhaan.

Aluksi piti toki hieman yksinkertaistaa jo valmista aineistoa, jotta uuden tiedon yhdistäminen siihen sujuisi mutkattomammin ja pitäisi aineiston selkeänä. Siinä missä alun perin aineistossa oli ominaisuustietoa muutama satanen liikaa, niin pienen yksinkertaisen siivouksen jälkeen jäljelle jäi vain vähän päälle 50 kohdetta. Tämän jälkeen aineistoon tuotiin uutta tietoa, jota lähdettiin vaihe vaiheelta yhdistämään ja muokkaamaan alkuperäisen aineiston hengatessa taustalla.

Uusi tuotu aineisto sisälsi tietoa Afrikan öljylähteistä, timanttikaivoksista ja konflikteista. Näiden kolmen pohjalta tehtiin teemakartta (kuva 1), josta voidaan tarkastella kaikkien kolmen tekijän sijainteja Afrikan mantereella.

Nyt valmista aineistoa voi käyttää muuhunkin pohdintaan ja mahdollisesti yhä edelleen jonkin toisen aineiston kanssa tai pohjana. Tai vaihtoehtoisesti, aineiston tietokantaan on vielä tallennettu runsaasti tietoa eri muuttujista, joita voidaan lähteä esittämään. Esimerkiksi konfliktien tapahtumavuodet, timanttikaivoksien ja öljylähteiden löytämisvuodet ja niiden tuottavuusluokittelut löytyvät tietokannasta, sekä paljon muuta.

Timanttikaivoksien ja konfliktien välisiä yhteyksiä pohdittiin jo jonkin verran yhdessä, ja aineiston attribuuttitaulukosta huomattiin, ettei timanttikaivoksilla vaikuttanut olevan mitään erityisen suurta yhteyttä konfliktien määrään. Mutta niissä valtioissa, joissa kaivoksilla kenties oli jotain tekemistä konfliktien kanssa, voitaisiin etsiä varmennusta tutkimalla timanttikaivoksien löytämisvuosia ja kaivauksien aloitusvuosia. Timanttikaivoksien ja öljylähteiden löytämisvuosia voitaisiin myös käyttää pohjana, kun pohditaan ovatko ne tuoneet vaurautta näihin valtioihin vai mahdollistaneet uusien ongelmien synnyn.

Tuottavuusluokittelulla voidaan myös tarkastella, onko valtio mahdollisesti hyötynyt kaivoksista ja lähteistä. Aura Niskanen (2024) esitti blogissaan idean, että tuottavuusluokittelun avulla voitaisiin tehdä päätelmiä myös valtioiden korruptiosta. Tällainen näkökulma ei edes käynyt mielessäni, mutta se olisi ainakin kiinnostavaa tutkittavaa ja sen kautta voitaisiin löytää vahvistusta siihen (myöntäen heikkoon) hypoteesiin, että timanttikaivoksilla ja öljylähteillä olisi tekemistä Afrikan konfliktien kanssa. Tosin, kuten Niskanenkin kirjoittaa blogissaan, on hyvä pitää mielessä, että mitään pitäviä kausaalisuhteita ei pelkästään tämän aineiston pohjalta voi tehdä. Siltikin uskon, että ymmärrys aineiston alueista paranee näitä muuttujia tarkastelemalla, ja onneksi pelkkä pohtiminen ei tässä tilanteessa aiheuta mitään harmia kenellekään.

 

Tulvariski ja järvisyys

Yhdessä tehden kaikki sujui taas ongelmitta. Opettajan ohjeistuksella mentiin reipasta, mutta selkeää tahtia eikä minulla henkilökohtaisesti ollut mitään ongelmia QGIS:sin käytössä tällä kertaa. Yllättäen ohjelma ei kertaakaan edes crashanut, niin kuin sillä on tapana.

Mutta pienen tauon jälkeen lähdettiin tekemään itsenäistä harjoitusta, jossa puserrettiin edellisestä harjoituksesta opittujen taitojen avulla karttaa Suomen tulva-alueista. Hetken säädön jälkeen, lopputulos näyttää kutakuinkin tältä:

Kartassa on totta puhuen kyllä hieman ongelmiakin. Sininen väri sopii kuvaamaan tulvaherkkiä alueita, mutta jotta luokkien välinen vaihtelu olisi selvempää, minun olisi ehkä pitänyt lähteä itse muokkaamaan valmiista paletista sopivampaa – tai lisätä luokkia. Sitä itse asiassa kyllä kokeilinkin, mutta en huomannut mitään suuria eroja viiden, kuuden tai edes kahdeksan luokan välillä, joten päädyin lopulta kuuteen luokkaan. Poistin kartasta myös joet ja järvet selkeyden vuoksi, vaikka kartan kontekstia pohdittaessa jokien pitäminen esillä ei ehkä olisi ollut huono idea. Siinä vaiheessa kartassa oli kuitenkin mielestäni aivan liikaa viivoja, jotka tekivät esimerkiksi Suomen valtion rajat epäselviksi. Tosin, jos niitä valtion rajoja lähtee tästäkin kartasta tarkemmin katsomaan, niin voi huomata, että ne ovat paikoin hieman… omalaatuisia. Mutta esimerkiksi Laura Vitikka (2024) oli tehnyt hienon kartan, jossa näkyivät joet ja järvet, ja josta siltikin sai hyvin selvää. Kenties siis jos (taas kerran) olisin käyttänyt kartan tekoon vielä hieman lisää aikaa, olisin löytänyt ratkaisun ongelmiini.

Tehtävänä oli myös liittää kuvan 2 karttaan järvisyysprosentti, mikä oli ainoa vaihe koko kurssikerralla, missä itselläni tuli vastaan ongelma. Jostain syystä järvisyysprosentti oli tallentunut aineistooni tekstinä eikä desimaalilukuina, mikä johti siihen, että en saanut niitä näkymään kartalleni. Onneksi tämä ongelma oli helposti ratkaistavissa opettajan ohjeistuksella ja sain kuin sainkin uuden kartan tehtyä juuri, kun tunti päättyi (kuva 3).

Näitä karttoja tehdessä pohdin useaan otteeseen, että onkohan tässä nyt kyseessä prosentit vai missä yksikössä tulvaindeksiä kuvataan. Järvisyysprosentitkin ovat epäselviä, koska eihän niissä mitään lukuja näy. Toisin sanoen, jos näitä kuvan 2 ja kuvan 3 karttoja lähtisi maallikkona tulkitsemaan, niin paljoa niistä ei saisi irti. Suomen tulvaherkimmät alueet nyt kenties tulevat tutuiksi, mutta koska otin joet ja järvet pois näkyvistä, niin pelkän tämän kartan perusteella on turha lähteä pohtimaan syitä siihen, miksi nämä alueet ovat tulvaherkkiä. Jos taas olisin säilyttänyt joet ja järvet, voitaisiin kartasta huomata, että tulvaherkillä alueilla jokia on erittäin paljon.

Ilmeisesti näihin palataan luonnonmaantieteen harjoitustyökurssilla, joten tuota… tulen siis tulevaisuudessa vielä törmäämään näihin kaunokaisiin. Ja toteamaan, että joo-o, synnynnäinen luonnonmaantieteilijä en ainakaan ole.

 

Lähteet

Niskanen, A. (2024). Kolmas kurssikerta. Auran blogi. Auran blogi – Geoinformatiikan menetelmistä (helsinki.fi)

Vitikka, L. (2024). Kolmas kurssikerta. Lauran opiskelublogi. Lauran opiskelublogi – Blogi kurssitöille ja muulle pakolliselle sisällölle. (helsinki.fi)

 

Aloitus

Tällä kertaa aloitimme hyppäämällä suoraan QGIS:siin, jossa harjoiteltiin erilaisten tiedostojen tuomista ohjelmaan sekä niiden muokkaamista. Toisin kuin ensimmäisellä kurssikerralla, tällä kertaa ”luento-osuus” pidettiin noin puolessa välissä kertaa, ja siinä käytiin läpi hyviä palveluita, joista tietoa voi tuoda QGIS:siin ilmaiseksi. Tässä yhtenä pointtina oli juurikin se, että hyvän aineiston ei tarvitse olla maksullista, mikä tietenkin lohduttaa meitä köyhiä opiskelijoita… tai ainakin minua.

Projektiot

Kurssikerran pääaiheena olivat karttaprojektiot ja niiden aiheuttamat mittakaava virheet kartalla. Koska maapallo on – yllätys, yllätys – pallonmuotoinen (ainakin melkein) sitä on mahdotonta kuvata täydellisesti paperille. Karttaprojektiot yrittävät kyllä parhaansa, mutta tällä hetkellä parhaimmatkin projektiot ovat vain kompromissiprojektioita. Eli, kuten nimi kertoo, kompromissien kautta minimoidaan kaksiulotteiselle paperille siirtyvät virheet (esimerkiksi pinta-ala virheet). Yksi tunnetuin, ja tälläkin kerralla meille esitelty, kompromissiprojektio on Robinsonin projektio (kuva 1).

Tämän kerran harjoituksen tarkoituksena oli visualisoida erilaisten karttojen avulla, miten eri projektiot eroavat toisistaan, vaikka ne kuvaisivatkin samaa aluetta. Pohjana näiden karttojen tekoon käytettiin valmiiksi Moodlesta löytyvää Suomen kunnat -aineistoa, josta tuotiin QGIS:siin kartta Suomen kunnista. Tämän kartan pystyi myös tuomaan ohjelmaan WFS-linkin kautta, jota päädyin itse käyttämään kotona, kun jotenkin onnistuin hävittämään paikan päällä tehdyn aineiston ja yllättäen koin, että suoraan linkin käyttäminen oli paljon yksinkertaisempaa kuin Moodlesta ladattavan tiedoston kanssa säätäminen.

Ihan ensimmäiseksi harjoiteltiin QGIS:sissä pituuden ja pinta-alan laskemista – jos sitä voi laskemiseksi sanoa, kun todellisuudessa me piirsimme vain opettajan ohjeistuksella pari hassua viivaa ja kone laski meille pituuden ja pinta-alan valmiiksi. Excelissä koottiin taulukkoon tämän saman pituuden ja pinta-alan eroja eri projektioilla. Kuten taulukosta 1 voi nähdä, kaikki projektiot näyttävät eri arvoja. Mercator elää täysin omaa elämäänsä, kun taas Winkel3, Aitoff, Equal Earth ja Robinson projektiot pysyvät jokseenkin samoissa lukemissa. TM35FIN tarkoittaa Suomen nykyään käytetyintä koordinaattijärjestelmää, ETRS-TM35FIN, joka perustuu UTM-projektioon. Siinä mittakaava virheet pysyvät siedettävissä lukemissa ja se vastaa todellisuutta taulukon 1 projektioista eniten.

Taulukko 1. Pituus ja pinta-ala eroja projektioiden välillä.

Saman syyn takia TM35 on myös projektio, johon harjoituksessa seuraavaksi tehtyjä karttoja vertaillaan. Saimme itse päättää, mihin projektioihin halusimme TM35:sta vertailla, ja itse päädyin valitsemaan taulukostani tutut Mercatorin, Robinsonin ja Aitoffin projektiot.

Valitsin Mercatorin projektion ihan vain sen takia, että se tehtiin yhdessä tunnilla ja koska se on kenties maailman kuuluisin projektio – ei välttämättä hyvästä syystä, mutta kuuluisa kuitenkin. Mittakaava virheet Mercatorin projektiossa ovat suurimmat verrattuna muihin karttoihin (kuvat 3 ja 4), ja virheet kasvavat, mitä pohjoisempaan mennään. Syynä tähän se, että Mercator on oikeakulmainen projektio, mikä johtaa siihen, että pinta-alat projektiossa vääristyvät.

Seuraava kartta on tehty Robinsonin projektiosta. Siinä mittakaava virheet ovat huomattavasti pienempiä kuin Mercatorin projektiossa, joissa lukemat nousevat jopa 8 prosenttiin. Sekä Robinsonin (kuva 3) että Aitoffin (kuva 4) projektioissa lukemat pysyttelevät alle 2 prosentin. Ne ovat molemmat kompromissi projektioita (ESRI), mutta Aitoff projektiossa mittakaava virhe on hitusen Robinsonin projektiota pienempi.

Ajatuksia kartoista

Täytyy kyllä sanoa, että tällä kertaa karttojen teko oli kyllä sellaista vääntämistä, että huhhuh. Tunnilla opettajan ohjeistuksella kaikki sujui täydellisesti, mutta koska jotenkin epäonnistuin tallentamaan työni, jouduin kotona aloittamaan kaiken taas nollasta. Hehe, tosin siinä vaiheessa, kun tämän huomasin ei kauheasti naurattanut.

Ajattelin, että koska muistin kutakuinkin, mitä tehdä, karttojen uudelleen tekeminen ei olisi mikään ongelma. No näinhän tämä ei mennyt, koska vaikka muistin mitä tehdä, tein ne väärässä järjestyksessä ja karttani eivät millään suostuneet näyttämään oikeilta. Siinä vaiheessa, kun on säätänyt QGIS:sin kanssa ensin 4 tuntia koululla ja sitten muutaman tunnin kotona, teki mieli vain luovuttaa. Joten niinhän minä tein!

Ja jatkoin sitten seuraavana päivänä (koska luovuttaminen ei oikeasti ole vaihtoehto), mutta tällä kertaa olin pyytänyt opiskelijakaveriltani apua; joten credit where credit is due, Laura Siltala pelasti minun karttani (hänen bloginsa on luettavissa Lauran blogi | MAA-202 Geoinformatiikan menetelmät, 2024 (helsinki.fi)). Kun selvisi, missä vaiheessa mokasin niin sittenhän kaikki sujui taas kuin tanssien.

Kartoista vielä tähän loppuun sen verran: viime kerralla olin miettinyt, että olisinko voinut miettiä väri valintoja paremmin, joten tällä kertaa päätin sitten kokeilla hieman eri vaihtoehtoja. Myönnän, että tummin sävy kuvassa 3 ja 4 on erittäin tumma ja jättää kuntien rajat epäselviksi, mutta värimaailma näissä kartoissa muuten on itselleni mieluisampi kuin kuvassa 2.

Sitten voi toki miettiä, oliko 7 luokkaa kartassa liikaa vai ehkä jopa liian vähän. Antti Pihlavisto (2024) vertailee blogissaan viiden luokan karttaa kymmenen luokan karttaan ja toteaa, että enemmän luokkia näyttää mittakaava virheen paremmin ja että visuaalisesti kymmenen luokan karttaa on miellyttävämpi katsoa kuin viiden. Samaa toteaa Aapeli Leppä (2024), joka vertailee viittä luokkaa viiteentoista. Joten ehkä olisinkin voinut lisätä luokkia omaani – ehkä näin värit olisivat vielä miellyttävämmän näköisiä.

Lähteet

WorldAtlas. World Map – Robinson Projection. 

ESRI. Aitoff – ArcGIS Pro. Viitattu: 27.1.2024

Pihlavisto, A. (2024) Toinen kurssikerta. Antin GIS blogi (https://blogs.helsinki.fi/anttipih/)

Leppä, A. (2024) Toinen kurssikerta – karttaprojektioita ja mittakaavavirheitä. Geoinformatiikan menetelmät – Aapeli Lepän blogi (https://blogs.helsinki.fi/aapleppa/)

Siltala, L. (2024) Lauran Blogi (https://blogs.helsinki.fi/lesiltal/)

Aloitus

Ensimmäisen kurssikerran aloituksena kävimme läpi kurssin sisältöä, arviointia sekä paikkatiedon perusteita. Tämä on ainakin minulle ensimmäinen kurssi ikinä, jossa käytetään blogia keskeisenä kirjoitus- ja arviointivälineenä. Lisäksi se, että tarkoituksena on lukea muiden blogitekstejä ja viitata niihin tuo mukaan jonkin verran painetta, mutta koen sen ns. ”hyvänä” paineena – ainakin nyt tulee pistettyä vähän enemmän ajatusta siihen, mitä kirjoittaa ja tekee. Toivottavasti.

Paikkatiedon perusteista vielä: kaikki dioissa näytetyt asiat olivat jo entuudestaan tuttuja, mutta kertaus ei ole koskaan pahasta, varsinkin kun paikkatietoon törmää lähes jokaisella kurssilla. Onhan se hyvä tietää, mistä puhuu ja mitä tekee.

 

Ensimmäinen harjoitus

Aloituksen jälkeen hypättiin nopeasti kurssikerran pääasiaan eli QGIS-ohjelmaan. Se on myös entuudestaan tuttu ohjelma, sillä sitä käytettiin jo ensimmäisellä periodilla. Mutta koska siitäkin on jo aikaa, se että kävimme opettajan ohjeistuksella läpi QGIS:sin käyttöä vaihevaiheelta oli tarpeellista. Varsinkin, kun itselläni on tapa unohtaa toiminnot heti kun niitä lakkaa käyttämästä hetkeksi.

Harjoiteltiin QGIS:sin käyttöä tekemällä koropleettikartta typen päästöistä Itämerellä. Aineisto oli valmiiksi Moodlessa, minkä takia oli hieman epäselvää, mistä tiedot ovat alun perin peräisin. Muiden blogeja lukiessa selvittelin, oliko joku mahdollisesti löytänyt alkuperäisen lähteen, ja ainakin Laura Vitikan blogissa (2024) löytyi linkki HELCOMin (the Baltic Marine Environment Protection Commission) raporttiin vuodelta 2013, johon aineisto mitä ilmeisimmin perustuu.

Kuvassa 1 on valmiiksi saamani kartta. Se on hieman hiomaton, sillä en käyttänyt siihen sen enempää aikaa kuin kurssikerta salli. Kartalla näkyy kuitenkin kaikki oleellinen; mitä tummempi valtio, sitä suuremmat typen päästöt sillä on. Tästä päätellen, Puolan typpipäästöt ovat muita kartan valtioita suurempia. Seuraavaksi suurimmat päästöt ovat Ruotsilla ja Venäjällä, ja pienimmät päästöt taas Virolla.

Kartan teko ei ollut hankalaa, varsinkin kun jokainen askel käytiin yhdessä läpi. Se tuki pikemminkin aiempia kokemuksia ja toi vähän itsevarmuutta QGIS:sin käyttöön, kun karttaa tehdessä pystyi toteamaankin, että ”Tämähän on tuttua!”. Sen takia odotan innolla mahdollisuuksia päästä käyttämään ohjelmaa vielä lisää, sillä haluaisin oppia käyttämään sitä niinkin hyvin, että sen käyttö sujuisi ilman pikkutarkkoja ohjeita. Koska tällähän hetkellä se on sellaista ohjeiden tihrustamista, jos totta puhutaan…

Jos jotain kritiikkiä pitää omasta kartasta antaa, niin eihän se kauhean kaunis ole. Kokeilin QGIS:sillä monia eri väripaletteja, mutta valmiista vaihtoehdoista punainen tuntui sopivan parhaiten. Kun kartan on tarkoitus kuvata jotain kielteistä, punainen väri saa ainakin viestin perille, toisin kuin kokeilemani vihreä esimerkiksi. Jos olisin käyttänyt enemmän aikaa vaikkapa oman väripaletin tekemiseen, niin ehkä olisin saanut kartasta kauniimman, mutta on se ihan menevä näinkin.

Toinen asia mitä huomasin, oli se, että osalla kanssaopiskelijoista oli valtioiden nimet kartassa, mikä nyt näin maantieteen opiskelijana olisi varmaan pitänyt olla itsestäänselvyys. Esimerkiksi Laura Siltalan (2024) kartassa valtiot ovat nimettyjä. Itse kuitenkin unohdin tämän tyystin, mutta ehkä ensi kerralla sitten muistuu.

Tämän kurssikerran harjoituksiin kuului toinenkin tehtävä, mutta tässä vaiheessa se on vielä itselläni tekemättä. Ilmeisesti se ei ollut pakollinen, vaikkakin suositeltu. Palaan siihen joskus… lähitulevaisuudessa, kun oma aikataulu sen sallii.

 

Lähteet

Vitikka, L. (2024) Oppimispäiväkirja ja tehtävät 17.1. Lauran opiskelublogi. Lauran opiskelublogi – Blogi kurssitöille ja muulle pakolliselle sisällölle. (helsinki.fi)

Siltala, L. (2024) Ensimmäinen kurssikerta. LeSiltala’s Blog. lesiltal’s blog | MAA-202 Geoinformatiikan menetelmät, 2024 (helsinki.fi)

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