Viimeisellä kurssikerralla työskenneltiin itsenäisten tehtävien parissa. Tarkoituksena oli valita tehtävä tapa sekä aineisto itse, jonka pohjalta viimeisen tehtävän tekisi. Kuten selkeästi usealla muullakin, oli myös minulla vaikeuksia valita aihetta, jota lähtisin tarkastelemaan. Päädyin kuitenkin lopulta tutkimaan lapsiin ja nuoriin liittyviä aineistoja sekä statfinin, että sotkanetin kautta.

Päädyin ensimmäiseksi etsimään Suomen maakuntakaavaista karttaa, joka osoittautuikin lopulta erittäin haastavaksi. Löysin useitakin shapefile tiedostoja, jotka sain tuotua normaalisti Qgissiin. Ulkopuolisesti maakunnat olivat kartalla sijoittuneet oikealla tavalla, mutta kaikissa ilmeni kuitenkin samankaltainen ongelma. Attribuuttitaulukossa olevat tiedot eivät vastanneet totuuksia, tai sieltä puuttui joitakin osia. Ainut maakuntakartta jossa, maakunnat olivat oikealla tavalla ilmoitettu, oli yhdistettynä myös itämerenosia, jolloin itse kartan muoto oli erikoinen, eikä miellyttänyt silmääni.

Päädyin lopulta tarkastelemaan asioita kunnittain, ja hyödynsinkin toisen kurssikerran kuntakarttaa. Tämä jäi itseäni hieman häiritsemään, mutta en oikein muuta keinoa keksinyt. Koen, että maakuntakartan avulla asian olisi voinut ilmentää hieman selkeämmin. (kuva 3). Lopulta tosin huomasin, että esimerkiksi tilastokeskuksen statfinin tilastoja on luotu paljon enemmän kunnittain, kuin maakunnittain.

Lämmittelyksi loin kartan kuva (1) jossa olen tarkastelut syylliseksi epäiltyjen 0-14 vuotiaiden varkauksien lukumääriä kunnittain. Varkausrikoksiin 28:1 kuuluvat näpistykset, varkaudet, sekä törkeät varkaudet. Lähteenä toimi tilastokeskuksen stat.fi tilastokanta, jonne rikostilastot on laadittu sisäministeriön poliisiasiain tietojärjestelmästä (PATJA) saaduista tiedoista. Jotta sain yhdistettyä tiedot join-operaation avulla kuntakarttaan, täytyi sitä siistiä ensin suhteellisen paljon Excelissä.

Eniten varkausrikoksia on tapahtunut Helsingin, Vantaan ja Espoon seuduilla, sekä Oulussa. Tämä nyt luultavasti selittyykin ensisijaisesti vain suurella asukasmäärällä. Kuitenkin Helsingin ja Espoon välinen alue, jossa sijaitsee Kauniainen ei kuulu kyseiseen luokkaan. Toiseksi eniten varkausrikoksia on tapahtunut esimerkiksi Lahdessa, Ylöjärvellä sekä Kuopiossa. Yleisesti vuonna 2019 olevien 0-14 vuotiaiden varkausrikokset ovat kohdistuneet enemmän Etelä-Suomeen. Lopputuloksena kartta on melko suppea, koska siinä ei ole kuvattuna määriä suhteutettuna asukaslukuun, sekä se ei kerro näiden kolmen erilaisen varkaustapojen jakautumisesta. Kartta antaa kuitenkin tarkat varkauksien lukumäärät jokaisen kunnan kohdalta.

Kuva (2) kuvaa kodin ulkopuolelle sijoitettujen 0-17 vuotiaiden prosentuaalista määrää vastaavan ikäisestä väestöstä kunnittain. Tiedot vuodelta 2019.

Kartan tiedot löytyvät sotkanetistä, mutta kaikista kunnista ei kuitenkaan ollut saatavilla tietoa. Päädyin kuvaamaan näitä alueita harmaan sävyillä, jotta alueet jäisivät hieman ’’varjoon’’. Eniten (3,1-3,9 %) kodin ulkopuolelle sijoitettuja vastaavan ikäisestä väestöstä löytyy Lahdesta, Ilomantsista, Tohmajärveltä, Tuusniemestä ja Vaalasta. Vastaavasti 2,3-3,1 % kuntia ovat esimerkiksi Salla, Posio, Kemijärvi, Kolari, ja Kemi Pohjoisessa, kun taas Eteläisemmässä Suomessa näitä kuntia ovat muun muassa Mäntymaa, Pertunmaa, Joutsa, Pieksämäki, Rantasalmi, Säkylä, Harjavalta ja Kotka.

Kodin ulkopuolelle sijoitetut sisältävät alleen kodin ulkopuolelle avohuollon tukitoimena sijoitetut, kiireellisesti sijoitetut, huostaan otetut, tahdonvastaisesti huostaan otetut sekä jälkihuollossa olevat lapset. Kodin ulkopuolelle sijoittamisen syynä voi olla joko lapsen vanhempi/vanhemmat tai lapsestakin johtaneet syyt. Sotkanetin sivuilla mainitaan muun muassa näin: ’’ Usein taustalla on joko vanhemman tai lapsen ongelmallinen käyttäytyminen, kuten mielenterveydenongelmat tai päihteiden käyttö. Useiden tutkimusten mukaan päihteitä runsaasti käyttävien vanhempien lapsilla on kohonnut riski kokea erilaisia lapsuusajan vaikeuksia. Päihteitä ongelmallisesti käyttävien perheiden lapsia otetaan muita useammin huostaan tai sijoitetaan kodin ulkopuolelle.’’

Sotkanetin tulkinta osiossa myös mainittiin, että vuonna 2002 syntyneistä reilu neljännes oli ennen seitsemättä syntymäpäivää sijoitettu vähintään kerran kodin ulkopuolelle äidin alkoholiongelman vuoksi ja 13 prosenttia isän alkoholiongelman vuoksi. Huumeongelmaisten vanhempien kohdalla osuudet olivat suuremmat. Tämä kuulostaa omaan korvaan ainakin todella hurjilta ja surullisilta luvuilta. Yritin katsoa joko kyseisiä tietoja löytyisi vielä vuodelta 2020, mutta niitä ei valitettavasti ollut vielä saatavilla. Vuodelta 2020 olisi voitu tarkastella esimerkiksi koronan mahdollisia vaikutuksia suuntaan, jos toiseen.

Viimeiseen karttaan kuva (3) Lisäsin vielä prosentuaaliset luvut 8. ja 9. luokkalaisista, jotka ovat kokeilleet ainakin kerran laittomia huumeita. Tulokset ovat vuodelta 2019.  Indikaattori ilmaisee siis  marihuanaa, hasista, ekstaasia, subutexia, heroiinia, kokaiinia, amfetamiinia, LSD:ta tai muita vastaavia huumeita kokeilleiden peruskoulun 8. ja 9. luokkalaisten osuuden prosentteina kysymykseen vastanneista ko. ikäluokassa.

 

Luvut ovat jakaantuneet suhteellisen tasaisesti, mutta karkeasti katsottuna eniten kokeiluja löytyy kuitenkin Etelä-Suomesta. Vähiten kokeiluja prosentuaalisesti (lyhyimmät pylväät) sijoittuvat kartalla Etelä-Pohjanmaan, Pirkanmaan ja Keski-Suomen tienoille. Myöskin Pohjois-Lapissa kuten Kittilän, Sodankylän ja Kemijärven kunnissa prosentuaaliset luvut ovat pienimpiä. Usein mitä pienemmästä kunnasta on kysymys, sitä yleisempää satunnainen vaihtelu on.

Tällaisissa nuorten kyselyissä on hyvä ottaa myös huomioon, että välttämättä kaikki eivät uskalla vastata rehellisesti, tai erilaiset sosiaaliset paineet saattavat lisätä liioittelua.

Haasteita

Kuten oli oletettavissakin, tehtävään kului suhteellisen paljon aikaa. Suurimmat ongelmakohdat olivat maakuntakartan etsimisessä, jota en pitkän etsinnän jälkeen lopulta saanut hyödynnettyä, virheellisten tietojen takia. Karttakuvaa 3 tehdessä tuli useitakin tenkkapoo tilanteita vastaan. Suurin ongelma syntyi kun halusin lisätä mahdolliset prosentuaaliset luvut 8- ja 9 luokkalaisten huumeiden kokeiluista. Koska molemmista muuttujista puuttui tietoja tiettyjen kuntien kohdalta, halusin jättää nämä alueet harmaiksi. Kuitenkin kun lisäsin pylväät, niitä muodostui myös kuntiin (lyhkäisenä pylväänä) vaikka alueesta ei ollut tietoa. Näiden alueiden pylväiden poistaminen osoittautuikin suhteellisen haastavaksi.

Lisäsin uudet samanlaiset karttatasot ’’dublicate layer’’ toiminnon avulla, jotta saisin kaikki ’’null’’ vaihtoehdot poistettua kopioidulta layerilta niin, että voisin jättää kyseisen layerin alkuperäisten alle. Tämä toiminto päättikin kuitenkin poistaa myös muiltakin layereilta tietoja, jolloin kartalta hävisi osia pois kokonaan. Tämän jälkeen kokeilin samaa taktiikkaa, mutta ’’duplicate layer’’ toiminnon sijaan käytin ’’copy layer’’ toimintoa. Tämä taktiikka ei poistanut onneksi muilta layereilta tietoja, jolloin kartanulkoasu pysyi oikeana. Päätin tallentaa työn tässä vaiheessa, joka osoittautuikin virheeksi…..Tallennuksen yhteydessä kartalta hävisikin TAAS osia. Kolmannella kerralla aloittaessani kaiken aivan alusta, päädyinkin, olemaan tallentamatta. Ja kappas se toimi! Kaikki säilyi normaalisti, eikä kuntia lähtenyt karkailemaan kartalta.

Pohdintaa

Pohdin pitkään mikä voisi olla sopiva tapa kokeiluiden prosentuaaliseen kuvaamiseen. Lopulta päädyin pylväisiin, vaikka myöskin nekin puuroutuvat hieman kartalla. Luulenpa, että myös tässäkin tilanteessa maakuntakartta olisi ollut toimivampi ratkaisu asioiden kuvaamiseen. Näiden kahden muuttujan välillä ei ole suoranaisesti mitään korrelaatiota, mutta halusinkin vain valita kaksi aineistoa, jotka koskevat lapsia/nuoria, sekä aineistoja, joista on tarpeeksi tietoa ja eivätkä ole aivan liian vanhoja.

Kartalta kuitenkin pistää silmään, että muun muassa Lahdessa varkausrikoksien määrä on muihin kuntiin verrattuna korkea, alueelta kodin ulkopuolelle sijoitettujen 0-17 vuotiaiden prosentuaalinen määrä on 3,1-3,9 prosenttia sekä korkein mahdollinen pylväs kartalla huumeiden kokeilujen suhteen täyttyy. Sotkanetin mukaan Lahdessa asui vuonna 2019, 0-17 vuotiaita yhteensä 21 040. Luku oli 17,4 prosenttia koko Lahden väestöstä. Luvut eivät tulleet yllätyksenä, sillä onhan alue ollut jo pitkään otsikoissa näistä syistä, sekä alue on lähes leimattu ”maan synkimmäksi huumekaupungiksi”. Vastapainoksi on myös syntynyt paljon kritiikkiä, siitä kuinka huumeet ovat toki ongelma, mutta median otsikot ovat silti suurennelleet ja leimanneet alueen vahvasti.

Katsellessani muiden blogeja, huomasin, että myös esimerkiksi Lotta oli tutkinut rikoksia blogissaan sekä myös Antti oli tehnyt hienon kartan tupakointiin liittyen.  Myös muita hienoja karttoja hieman kevyemmistä aiheista voi käydä katselemassa esimerkiksi Inkan, Jasminin ja Liisin blogeista. Näiden lisäksi mieleen jäi Sirkun mielenkiintoinen ja hieno kartta koskien Etelä-Mannerta!

Lopuksi haluisin kiittää vielä useita kurssitovereita, jotka on jaksanut auttaa ja ollut vähintäänkin henkisenä tukena kurssin ohella! Kurssi oli itselleni melkoisen haastava,  mutta maaliin on lopulta päästy:-) Kurssin aikaiset onnistumiset tuntuivat vielä suuremmilta kuin yleensä, mikä antoi potkua ja intoa jatkaa eteenpäin. Kurssi oli kuitenkin kaikin puolin antoisa ja opettava,  sekä toimi näin zoomin välityksellä yllättävänkin hyvin.

Lähteitä: 

Lotan blogi – Geoinformatiikan menetelmät 1 (helsinki.fi)

Inka Pellikan kurssiblogi – Geoinformatiikan menetelmät (QGIS) (helsinki.fi)

Antti Paakkarin Blogi – Geoinformatiikan menetelmät 2021 (helsinki.fi)

Sirkun kurssiblogi – MAA-202 kurssin julkaisualusta. Tervetuloa seuraamaan kurssilla tekemiäni tuotoksia ja niiden tulkintaa! 🙂 (helsinki.fi)

mckailii’s blog – Just another Blogipalvelut site (helsinki.fi)

Kurssiblogi | Geoinformatiikan menetelmät 1 (helsinki.fi)

Etusivu – Tilasto- ja indikaattoripankki Sotkanet.fi

PxWeb – Valitse taulukko (stat.fi)

 

 

 

 

Luennon alussa opettelimme hyödyntämään Epicollect5-sovellusta pisteiden keräämisessä ja siirtämään kerättyjä tietoja kartalle. Tuona 45 minuutin aikana oli tarkoitus lähteä ulkoilemaan ja keräämään omaa paikkatietoa. Valitsemaamme omaan havaintopisteeseemme kirjattiin tietoja alueen turvallisuudesta ja viihtyvyydestä asteikoilla 1-5.  Sain itse liitettyä sovellukseen kävelyn aikana noin 4-5 pistettä, jotka sijaitsivat ympäri Kalasatamaa. Yksi pisteistäni sijaitsi Mustikkamaalla ja sieltä poistuminen sattuikin olemaan melkoisen haastavaa, sillä alue oli aivan jäässä.

Kotiin palatessa oli tarkoitus kerätä muidenkin keräämät pisteet ja tehdä niistä pisteaineistoa interpoloimalla. Interpolointi tapahtui IWD- metodilla, joka pyrki arvioimaan tyhjiä kohtia siten, että mitä suurempi oli pisteiden välinen etäisyys, sitä pienempi painoarvo interpoloitaessa puuttuvia arvoja. Tällä kertaa tarkasteltiin siis kohteiden turvallisuuteen liittyviä arvoja, jotka valittiin ’’interpolation attribute’’ kohtaan. Epicollect5- sovellukseen luoduista pisteistä ja niihin liittyvistä sijainti tiedoista syntyi tämännäköinen kartta: (kuva 1)

Seuraavaksi oli tarkoitus tuottaa kolme karttaa joiden teemana ovat hasardit.  Tarkoituksena oli tuottaa erilaisia karttoja luonnonkatastofeihin liittyen, joita voisi hyödyntää tuntiopetuksessa. Seuraavat kartta esitykset kuvaavat maanjäristyksiä vuosien 1990-2013 välillä.

Kartta ei anna kovinkaan tarkkaa tietoa maanjäristyksistä, mutta kuvaa kuitenkin suhteellisen hyvin niiden jakaantumista maapallolla globaalilla mittakaavalla. Värit ovat myös jakaantuneet mielenkiintoisesti omiin paikkoihinsa. Kartan suurimmat magnitudin maanjäristykset (3,9-6-7) löytyy tunnetusti Tyynenmeren tulirenkaan seudulta, erityisesti Aasian puolelta.

 

Kartoilta huomaa, kuinka magnitudin kasvaessa, maanjäristyksien määrä vähenee yleisesti. Koska kartat kuvaavat asioita hyvin kaukaa, halusin myös hieman lähempää kuvaa Indonesian alueelta, missä on havaittavissa kokonaisuudessaan eniten suurimpia maanjäristyksiä( 8,75-9 magnitudia.) vuosien 1990-2013 välillä.

Yksi kartalta näkyvistä maanjäristyksistä on vuonna 2004 tapahtunut maanjäristys Intian Valtamerellä. Kyseinen maanjäristys tapahtui 26. joulukuuta 2004 ja järistys oli voimakkuudeltaan noin 9 magnitudia. Merenalainen maanjäristys tapahtui Indonesian  edustalla,  Sumatran saaren pohjoisosassa. Voimakas vedenalainen maanjäristys aiheutti lopulta tsunamin, joka vaikutti laajasti mm. ympäri Kaakkois-Aasiaa. Vaikutukset kattoivat lopulta 11 valtioon.

Kuva 6, jota on hyödynnetty opetuskäyttöön, kuvaa maapallon litosfäärilaattoja sekä niiden liikesuuntia. Maankuorenlaattojen eli litosfäärilaattojen,  sijoittuminen kartassa seuraa hyvin maanjäristysten sijoittumista kartalla. Vuonna 2004 maanjäristyksen aiheutti mannerlaattoihin kertynyt jännitys, josta seurasi  lopulta Intian laatan painuminen Euraasian laatan vieressä olevan pienen Burman laatan alle. Järistyksen jälkeen havaittiin vielä useita jälkijäristyksiä.

Viimeiseksi tein kartan jyrkkärinteisten kerrostulivuorien sijoittumisesta maapallolla. Myöskin tulivuoret sijoittuvat samalla tavalla litosfäärilaattojen rajakohtiin.  Kerrostulivuoret ovat purkautumistavaltaan voimakkaimpia ja suureleisimpiä. Korkein ja aktiivisin kerrostulivuori Euroopassa on nimeltään Etna ja tänään luinkin uutisista kuinka Etna oli näyttänyt taas elonmerkkejään Italiassa.

Tulivuori Etna heräsi jälleen eloon – Katso video | Yle Uutiset | yle.fi

Olisin toki voinut laittaa sekä maanjäristykset, että tulivuoritietokannat samaan karttaan, kuten Sirkku oli hienosti tehnyt. Valitsemillani tiedoilla, kartta olisi näyttänyt kuitenkin omaan silmään  hieman sekavalta, joten päädyin jakamaan tiedot omikseen. Mikäli interpolointitehtävässä sulla sattui ilmetä ongelmia, kannattaa vilkasta Iiriksen blogia,  sieltä saattaa löytyä ratkaisu ongelmaasi!

Lähteitä:

Iiriksen GIS-blogi – GEM_2021 (helsinki.fi)

https://blogs.helsinki.fi/sipisi/

Indian Ocean tsunami: Then and now – BBC News

 

 

Ottaessani huomioon, että ohjelma on ollut itselleni täysin uusi, olemme opetelleet käyttämään erilaisia työkaluja hyvin laajasti eri tarkoituksiin. Suurimpana ongelmana itselleni on tullut vastaan asioiden nopea unohtuminen, jonka takia karttojen laatiminen on tullut työlästä ja hidasta, vaikka olenkin suorittanut kurssitehtäviä tasaisin väliajoin. Tässä asiassa varsinkin kertaaminen on ollut itselle hyvin tärkeää, jotta erilaisten työkalujen tarkoitus muistuisi mieleen.

Päällimmäisenä erilaisista toiminnoista on jäänyt mieleen ’’Join attributes by location’’, jota on tullut hyödynnettyä useaan otteeseen (varsinkin näissä itsenäisissä harjoituksissa). Myös uusimpana toimintona tuo ’’buffer’’ toiminto iskostui päähän suhteellisen hyvin, ja sitä voikin hyödyntää moniin erilaisiin tarkoituksiin. Esimerkiksi melualueharjoituksessa, puskurivyöhykkeiden hyödyntäminen auttoi hahmottamaan kyseistä ilmiötä, varsinkin kun valitut alueet näkyivät puskuri alueella omilla väreillään. Puskurivyöhykkeellä tarkoitetaan siis valittua vyöhykettä, jossa pyritään erottamaan yksi tai  useampia alueita toisistaan. Käytyjen kurssikertojen lisäksi, tällaista voitaisiin hyödyntää esimerkiksi luonnonsuojelussa tai luonnonkatastrofien ja teollisuusonnettomuuksien analysoinnissa.

Myös ’’print layoutissa’’ itse kartan visualisoiminen on ollut mielestäni mielekästä puuhaa. Lainatakseni Lottaa, koen kuitenkin, että en osaisi mainita yhtä asiaa, jossa kaipaisin lisäharjoitusta, vaan lisäharjoitusta tarvitaan vielä kaikilla osa-alueilla.

Erilaisten error-tilanteiden sattuessa, osaaminen loppuu usein täysin. Lähtiessäni näitä selvittämään, päädyn lopulta vain sekoittamaan pakkaa vielä entisestään. Kuitenkin yksinkertaisemmat ongelmat, kuten vahingossa tiedoston tuominen väärässä muodossa, tai väärän työkalun kautta, sekä liian suuren tai pienen arvon asettaminen on nopeasti oivallettaessa. Uima-allas tehtävä osuudessa, Ilari oli hienosti osannut neuvoa, kuinka siinä ilmenevä ongelma saadaan ratkaistua.

---

VASTAUKSIA

1.Lentokenttä: Malmi
Asukkaita 2km säteellä                                      58765
Asukkaita 1km säteellä                                        9049

2.Lentokenttä: Hki-Vantaa
Asukkaita 2km säteellä                                      11673
Näistä 65dB:n melualueella asuvat              0,5 %
55dB:n melualueella asuvat                             9303

3.Asemat
Alle 500m päässä asuvat                             111 765
Koko alueen asukkaista (alle 500m)          22 %
Työikäisiä 15-64v                                              69 %

4.Taajamat
Taajamissa asuu                                                 96 %
Kouluikäisiä taajamien ulkopuolella        2024

---

Sekä Uima-allas tehtävä. (Kaikkiin kysymyksiin en saanut selville vastausta)

(Kuva 1: Pääkaupunkiseudun asuinrakennuksien uima-altaiden lkm alueilla)

Kokonaisuudessaan rakennuksia, joissa ilmeni uima-altaita oli 855. Eniten uima-altaita ilmeni Lauttasaaressa, joka ei kylläkään yllättänyt. Toiseksi eniten uima-altaallisia rakennuksia löytyi Länsi-Pakilasta, sekä Marjaniemestä. Uima-altaallisia omakotitaloja löytyi 345 kpl sekä rivitaloja 113kpl.  Kokonaisuudessaan asukkaita näissä uima-altaallisissa rakennuksissa oli yhteensä 12170.  Kyllä kelpais tämä merenranta + uima-allas kombo!

Lähteitä: 

Ilarin Maantiedostusblogi – Tervetuloa 🙂 (helsinki.fi)

Lotta Mattilan blogi – Kyllä tämä tästä (helsinki.fi)

Tutustuimme kurssikerralla ruututeemakarttojen tekoon sekä valmistelimme tulevaa kurssikertaa varten rasterikarttaa. Kurssikerta oli ensimmäinen, jossa koin, että pysyin alusta loppuun asti perillä mukana, ilman suurempia ongelmia.(Hyvä minä :D) Joten voisin kuvitella, että Qgis:n ominaisuudet alkavat jo jonkin verran luonnistua.  Teimme harjoituksena kurssikerran aikana, ruututeemakartan ruotsinkielisten lukumäärästä sijoitettuina 1km x 1km ruudukolle. Kyseistä ruututeemakarttaa voi käydä kurkkaamassa esimerkiksi Lotan blogista.https://blogs.helsinki.fi/lottapuo/

Itsenäisessä tehtävässä oli ideana tuottaa samankaltainen ruututeemakartta, mutta käyttämällä jotakin muuta muuttujaa. Puolessa välissä tehtävää tehdessä, ohjelma kaatui ensimmäistä kertaa. Enkä tietenkään ollut muistanut tallentaa tekemiäni muutoksia… Uudella yrityksellä syntyi teemakartta naisten osuuksista 250mx 250m kokoisilla ruuduilla. (kuva 1)

Tällaisella ruutukoolla tulos on hyvin tarkkaa, mutta koin kuitenkin, että ruudut olivat hieman liian pieniä kuvaamaan asiaa. Tästä syystä päädyin kuvaamaan naisten määrää 1km x 1km kokoisilla ruuduilla. (kuva 2)

 

 

Moi!

Kolmannella viikolla  tutkimme Qgiss:n tuotua Afrikan karttaa, ja siinä ilmeneviä aineistoja. Erilaisia aineistoja löytyi mm. timanttikaivoksista, öljykentistä ja Afrikassa sijaitsevista konflikteista. Afrikan kartan perustietojen lisäksi tutkimme myös Facebookin ja internetin käytön jakaantumista Afrikassa. Näitä tietoja analysoimalla voidaan saada paljon tietoa siitä, kuinka luonnonvarojen alueellinen jakautuminen on yhteydessä konflikteihin, niiden laajuuksiin sekä konfliktien kestoon.

On sanomattakin selvää, että konfliktien taustalla on monia vaikuttavia tekijöitä, eikä riippuvuustekijät ole vain yhden tekijän summa. Siksi merkityksellisen taustan luominen on tärkeää, koska se luo pohjaa koko kontekstin ymmärtämiseen.

Sierra Leone on valtio Länsi-Afrikassa,Atlantin Valtameren rannikolla. Maa on toipumassa 1991-2002 kestäneestä sisällissodasta, mutta toipumista ovat hidastaneet maassa vallinnut ebolaepidemia vuonna 2014 sekä vuonna 2015 rautamalminhinnan romahtaminen. Maan ensimmäinen presidentti Milton Margai oli autoritaarinen hallitsija, jonka hallitus ei tehnyt paljonkaan mitään monipuolistaakseen timanteille keskitettyä mineraalipohjaista taloutta, johon kuului mm. kulta, rautamalmi, bauksiitti, rutiili ja puutavara. Milton Margainin kuoltua vuonna 1964, hänen veljensä toimi seuraajanaan. Albert Margainin korruptio rehotti johtajuutta, koska hän ei ’’nähnyt yleisen edun mukaista taloudenhoitoa vaan henkilökohtaisen hyödyn’’(Dupuy &Binningsbo 2008) Lopulta mm. timanttivarojen huono hallinta sekä maan korruptio johtivat sisällissotaan. Toisin kuin monissa muissa Afrikan valtioiden sisäisissä konflikteissa, Sierra Leonen konflikti ei perustunut niinkään etnisiin tai uskonnollisiin kilpailuihin, joten tapahtuneessa konfliktissa, voidaan nähdä selkeä yhteys mineraalien sijaintiin.

Yleisesti Afrikka on mineraaleiltaan hyvin rikas maanosa, ja kaikkiaan Afrikka tuottaakin yli 60 erilaista metalli ja mineraalituotteitta, sekä sillä on mineraalien suhteen valtava potentiaali varantojen etsintään sekä tuotantoon. Kuitenkin tuottojen epätasaisesta jakautumisesta ollaan puitu paljon.

Mineraalien louhinta voikin olla hyvin kaksijakoinen asia paikallisyhteisöille. Toisaalta Kaivannaisteollisuushan tuottaa huomattavia tuloja, sekä luo uusia kasvumahdollisuuksia, mutta sillä on myös paljon kielteisiä vaikutuksia. kaivannaisteollisuus myös saastuttaa ympäristöä, sekä voi lisätä väkivaltaisten konfliktien riskiä.

Tutkimukset ovat myös osoittaneet, että kaivosalueen avaamiset luovat rakenteellisen muutoksen työllistymismalleihin Afrikassa, jossa naiset usein siirtyvät maataloustyöstä palvelualalle, tai poistuvat kokonaan työvoimasta. Tutkimusten mukaan myös kaivos-alueet voivat olla vihamielisiä ympäristöjä työskennellä naisille. (Political Geography 56 (2017):53-65) Esimerkiksi kaivostoimintaa tutkivassa tutkimuksessa Tansaniassa tehdyssä haastattelussa, 90 prosenttia tytöistä koki olonsa uhatuksi hyväksikäytön, laiminlyöntien tai perheväkivallan seurauksena. (ILO, 2007).

Toimin luennolla ohjeiden mukaan, mutta jostain syystä, en saanut konfliktien tietoja itselleni esille. Tiedoston mukaan kaikki konfliktit olivat sijoittuneet ainoastaan Kongon demokraattiseen tasavaltaa, joka ei ollut tosiaan todenmukainen… Voisin kuitenkin kuvitella, että timanttikaivoksien/öljykenttien tuottavuusluokittelu voisi olla myös yhteydessä konfliktien määrään alueella. Myös konfliktien tapahtumavuodella voi olla merkitystä, koska valtioihin riippuvat ongelmat voivat vaihdella vuosittain ympäristön muuttujien mukaan, sekä myös naapurivaltioiden tilanteella voi olla vaikutusta.

Tiedoista konfliktin laajuudesta/ säde kilometreinä voitaisiin pohtia esimerkiksi voisiko maan pinta-alalla ja suuruudella olla vaikutusta konfliktin kokoon? Sekä vaikuttaako maan koko ja alueiden pidemmät etäisyydet toisistaan konfliktin hallintaan? Myös asukasmäärän ja konfliktialueen laajuuksien yhteneväisyyttä voitaisiin pohtia.

Myöskin internetin ja yleisesti sosiaalisen median vaikutuksista konfliktien syntyyn voisi löytyä jonkinlaisia yhteneväisyyksiä. Esimerkiksi Sanna Jantunen mainitsee blogissaan kuinka internetillä ja sosiaalisessa mediassa välitetyillä videoilla ja tiedoilla oli vaikutusta Arabikevään kansannousuun. Sosiaalisen median kautta syntyvistä paineista ollaan keskusteltu paljon. Peace Research Institute Oslo (PRIO): n julkaistussa artikkelissa “Anyone who can carry a gun can go”(2014)  käydään läpi valkoisen armeijan roolia, Etelä-Sudanin konfliktissa. Artikkelissa mainittiin sodissa olevien miesten kokevan suuria sosiaalisia paineita ja pakotteita koskien sotaa. Pohdinkin, olisiko myös internetillä ja yleisesti sosiaalisella medialla voinut olla jonkinlaista vaikutusta miesten kokemaan painostukseen.

Internetin ansiosta myös erilaisten konfliktien seuranta ja sitä koskeva tiedotus on yhä helpommin ja nopeammin ihmisten saatavilla. Koska digitaalisuuden merkitys on kasvanut kaikissa ikäluokissa ovat useat poliitikot muuttaneet vaalimainontaansa digitaaliseen suuntaan. Sosiaalinen media voidaankin nähdä uutena ’’poliittisen vaikuttamisen voimana’’.

---

Harjoitus tehtävä

Itsenäisessä harjoitustehtävässä palattiin kuitenkin muihin asioihin, ja aineistona toimi Suomen kartta. Ideana oli vertailla Suomen vesistöalueiden valuma-alueominaisuuksia sekä tulvaherkkyyttä. Ensimmäisenä oli tarkoitus laskea tietojen avulla tulvaindeksi.  Tulvaindeksi saatiin laskettua keskiylivirtaaman suhteena keskivirtaamaan (MHQ/MQ). Tässä siis MQ=keskivirtaama, MHQ=keskiylivirtaama. Yleisesti MH- liitteellä tarkoitettiin ylempien mitattujen arvojen keskiarvoa sekä MN- liitteellä alimpien mitattujen arvojen keskiarvoa.

(kuva 1, Attribuutti-taulukko)

Kun MHQ- saatiin liitettyä valuma-alue karttaan pystyttiin laskutoimitus vasta tekemään. Attribuuttitaulukkoa tutkaillessa, näkyi alimpien mitattujen keskiarvojen sekä ylimpien mitattujen keskiarvojen yhteyden lukuarvojen noustessa ja laskiessa yhtä aikaa.

(Kuva 2, Tulvaindeksi ja järvisyys% valuma-alueittain)

 

---

Tulkintaa:

Tulvaindeksin laskemisessa saatiin selville kuinka moninkertainen on virtaaman huippu verrattuna kaikkein kuivimpaan aikaan. Kartan (Kuva 2) mukaan suurimmat tulvaindeksit ovat alueilla, joissa järviä on suhteellisen vähän. Suurimmat tulvaindeksi alueet sijaitsevatkin Itämeren ja Pohjanlahden rannikoilla, joita järvialueet reunustavat. Vesistön muodostavat nämä valuma-alueet, joita ovat joet, järvet ja lammet.  Yksi poikkeama kuitenkin löytyy aivan Pohjoisesta Lapista Utsjoelta ja Inarin seudulta. Tähän luultavasti liittyy alueen suuri lumenmäärä ja sen ajoittainen sulaminen.

Rannikkoalueiden tulvaherkkyyteen on voinut vaikuttaa alueen maankäyttö, ihmistoiminta sekä keväisin lumien nopea sulaminen. Lotta mainitsee blogissaan myös hyvän pointin siitä, kuinka tulvaindeksi on korkea alueilla, joissa järvisyys prosentti on alhainen sekä kuinka joet tulvivat yleisesti herkemmin ja niitä sijaitseekin juuri Suomen rannikoilla.

Huomasin, että Idalla oli ollut samankaltaisia ongelmia pylväiden saamiseen kartalla kuin itselläni oli aluksi. Kuitenkin kun Diagrams- valikosta kokeilin kaikkia valikoitavia vaihtoehtoja useaan otteeseen, sain pylväät näyttämään suhteellisen selkeiltä. Kartan värejä valikoidessa, huomasin minulla olevan valinnanvaikeuksia. Koska halusin tietoja kuvata sinisellä, pelkäsin, että lopputuloksesta tulisi vaikeasti luettava, mutta mielestäni kartta onnistui kuitenkin suhteellisen hyvin. Tein vielä lopuksi kartan, joka kuvaa tarkemmin maanpinta-alojen ja järvisyyden suhdetta prosentuaalisesti. (Kuva 3)

(Kuva 3: Maanpinta-alan sekä järvisyyden prosentuaalinen jakaantuminen)

Mitä opin?

Tällä kertaa mieleen jäi päällimmäisenä  Qgis:n toiminnoista join- operaatio, jonka avulla pystyttiin siirtämään taulukko dataa karttaan. Myös diagrammiosio oli itselle aivan uusi. Erilaisten mahdollisuuksien kokeilu avarsi sitä, kuinka toimintoa voisi hyödyntää erilaisissa kartoissa.

---

Lähteet:

Sannan blogi – Paikkatietoasioiden (ja bloggailun) opiskelua (helsinki.fi)

Lotan blogi – Geoinformatiikan menetelmät 1 (helsinki.fi)

Pylväät eivät ole puolellani – adlerida’s blog (helsinki.fi)

sekä Geoinformatiikan menetelmät 2021-konflikteihin liittyvät aineistot

 

 

Tällä kurssi kerralla kävimme läpi sekä tutkimme erilaisia aineistoja, joita pystyimme lataamaan itse Qgis-ohjelmaan. Näitä aineiston tuottajia olivat esimerkiksi liikennevirasto, maanmittauslaitos, tilastokeskus ja Lipas-liikuntapaikat. Tutkiessamme rajapintojen kautta haettavia aineistoja, toimivat rasteri- sekä vektorikantainen aineisto hieman eri tavalla. Rasteriaineistolle on olemassa WMS-palvelut kun taas vektoriaineistoille WFS-palvelut. Luennon aikana tutkimme myös erilaisten projektioiden ominaisuuksia, sekä niiden vaikutusta kartan mittakaavan vääristymiin. Ensimmäisessä harjoituksessa visualisoimme näitä aluevaihteluita erilaisten projektioiden avulla.

Projektioiden luomia vääristymiä

Ensimmäiseksi vertasin ETRSTM-TM35FIN-projektiota  oikeakulmaiseen Mercatorin projektioon. (kuva 1) Mercatorion projektio on oikeakulmainen karttaprojektio,  jossa leveyspiirien etäisyys kasvaa toisistaan napoja kohti kuljettaessa. Mercatorion projektiossa  mittakaavat kasvavat aina siirryttäessä päiväntasaajalta kohti napoja. Tämä luo vääristymän, jolloin navoilla sijaitsevat alueet näyttävät paljon suuremmilta kuin vastaavankokoiset alueet päiväntasaajan seudulla. Mercatorin projektio on kuitenkin hyvin suosittu esimerkiksi merenkulussa, sillä sen leveys- ja pituuspiirit ovat suoria sekä kartalla näkyvien ilmansuuntien väliset kulmat ovat todenmukaisia.

(Kuva 1 Mercator projektion vääristymä suhteessa  ETRS89-TM35FIN-tasokoordinaatistoon.)

 

Kartassa on siis kuvattuna Mercatorin projektiolla lasketut Suomen kuntien pinta-alat jaettuna ETRS-TM35FIN -projektiolla lasketuilla pinta-aloilla. Tämä siis kertoo, kuinka monta kertaa ETRSTM35FIN-projektio mahtuu Mercatorin projektioon. Kartalta huomaa, että mitä tummemmalla sävyllä alue on kuvattuna, sitä suurempi vääristymä on. Mercatorin projektiolle tyypillisesti vääristymä kasvaa mitä pohjoisempaan mennään. Lapin pohjoisimmissa osissa vääristymä on jopa yli kahdeksankertainen verrattavissa todenmukaisempaan ETRS-TM35FIN-koordinaatistojärjestelmään. ETRS-TM35FIN- on tasokoordinaatistojärjestelmä, joka on otettu käyttöön Suomessa vuonna 2005. Koordinaatiston avulla virheet jäävät suhteellisen pieniksi, jonka takia Suomessa käytetäänkin kyseistä tasokoordinaatistoa paljon.

Mercatorin-projektio on hyvin ääripää, kun kuvataan kartalla ilmeneviä pinta-ala vääristymiä. Siksi kokeilinkin seuraavaksi samalla idealla, mutta hieman maltillisemmalla Gallin-Petersin projektiolla, ja vertasin sitä ETRS-TM35FIN- tasokoordinaatistoon.(Kuva 2)

(Kuva 2, Gallin-Petersonin projektion pinta-ala vääristymä suhteessa ETRS-TM35FIN- tasokoordinaatistoon)

Myös karttakuvassa 2 väritys kertoo vääristymän suuruuden. Mitä tummempi väri kartalla on sitä suurempi on vääristymä. Kuitenkin Gallin-Petersin projektion vääristymät ovat todella pieniä verrattavissa Mercatorin projektioon. Vääristymien väliset luokkaerotkin ovat suhteellisen pieniä, joten olisin voinut jättää muutaman luokka-asteen kokonaan pois legendasta.

Kuten Liisa mainitsee blogissaan karttojen vahvan vaikutuksen politiikkaan ja ihmisten käsityksiin yleisesti maailmasta,  toimii Gallin-Petersonin projektio tästä hyvänä esimerkkinä. Gallin-Petersonin projektion lähtökohtaisena ideana, on ollut välttää eurokeskeistä maailmankuvaa. Kun Mercatorin projektio antaa paljon tilaa Euroopalle ja lähellä napoja oleville maille, toimii Gallin-Petersonin karttaprojektio päinvastoin. Gallin-Petersonin projektio näyttää pinta-alat oikeassa suhteessa, mutta vääristää niiden muotoa. Esimerkiksi Mercatorin projektiossa Grönlanti näyttää kartalla Afrikan kokoiselta, vaikka todellisuudessa Afrikka on pinta-alaltaan paljon suurempi. Gallin-Petersonin projektiota on käytetty erityisesti Afrikassa sekä monissa kouluissa ympäri maailmaa.  Kun Arno Peters esitteli projektion ’’omanaan’’ vuonna 1973 herätti se suurta keskustelua karttojen ja projektioiden vaikutuksesta ihmisten käsitykseen maailmasta.

Mitä opin?

Viime viikkoon verrattuna  Q-gis alkaa tuntumaan jo hitusen tutummalta, ja suuremmilta sähellyksiltä ollaan toistaiseksi vältytty. Erilaisten projektioiden kertaaminen ei ollut pahasta, sekä niiden opetteleminen ja etsiminen Q-gis:istä tulee varmasti tarpeeseen.  Pariin otteeseen ohjelma ei ole suostunut toimimaan, esimerkiksi joitakin toimintoja en ole saanut auki. Tässä on yleensä toiminut vain ohjelman sulkeminen ja avaaminen uudestaan. Vaikka aluksi tämä blogi idea tuntui itsestä kauhistuttavalta, olen kuitenkin nauttinut muiden blogien lukemisesta sekä saanut apua niistä joihinkin teknisiin ongelmiin.

Kivaa alkanutta viikkoa kaikille 🙂

Lähteitä:

Liisan kurssiblogi (helsinki.fi)

Gall–Peters projection | Project Gutenberg Self-Publishing – eBooks | Read eBooks online

Upeat vanhat maailmankartat todistavat, että maailman muoto tunnettiin jo hyvin varhain – Tekniikan Maailma

 

Kurssin aloittaminen rehellisesti sanottuna hieman epäilytti aluksi, sillä tähän mennessä käydyistäni maantieteen opinnoista, olen huomannut juuri geoinformatiikan olevan itselleni se haastavin ja mieltä askarruttavin aihe. Vaikka aiheeseen liittyviä kursseja on alla vasta pari, ovat ne aiheuttaneet minulle suurta päänvaivaa. Esimerkiksi viimeiseksi käyty Tiedon esittäminen maantieteessä 2020- kurssilla tietotekniikka ei ollut minun puolellani, ja tuntui, että huonoa tuuria oli matkassa paljon. Tästä syystä toivonkin tämän kurssin kääntävän mielipiteeni ja antavan minulle uutta intoa ja itsevarmuutta karttojen luomiseen. Tarvitaan vain paljon kärsivällisyyttä, koska lopputulokset ovat yleensä hyvin mielenkiintoisia.

Heti ensimmäisellä luento kerralla aloitimme Q-gis ohjelmaan tutustumisen sekä kävimme ohjelman peruselementtejä läpi. Luennon alussa huomasin jo vaikeuden työskennellä ainoastaan yhdellä tietokoneella. Käydessämme ensimmäistä harjoitustehtävää läpi, huomasin minulla olevan hankaluuksia pysyä tahdissa. Asiaa voisi huomattavasti helpottaa mikäli zoom-luento näkyisi erillisellä näytöllä ja toisella tietokoneella voisin työstää Q-gis ohjelmassa luennoitsijan antamia tehtäviä. Tästä syystä päädyinkin kaivamaan vanhan tietokoneeni käyttöön, helpottaakseni tulevia kurssikertoja.

Ensimmäisellä kurssikerralla opettelimme luennoitsijan esimerkkejä seuraamalla Q-GIS:n perusasioita Itämeren valtioiden typpipäästöjä kuvaamalla kartan avulla. Ensimmäisessä teemakartassa kuvataan typen päästöjen osuutta valtioittain. (kuva 1)

(kuva 1 Typpipäästöjen osuus valtioittain % 2015)

Kartassa on kuvattuna punertavan oransseilla väreillä Itämeren rannikkovaltioiden typpipäästöjen osuuden määrää valtioittain. Kartalta pistää silmään tummimmalla värillä täytetty Puola, jonka päästöt ovatkin suurimmat. Puolasta valuu Itämereen tunnetusti merkittävästi enemmän päästöjä kuin muista rannikkovaltioista. Lukiessani muiden kurssilaisten blogeja, tuli esimerkiksi Kasper Mickosin blogissa hyvä pointti esille, siitä kuinka esimerkiksi Venäjän tulevista luvuista on vaikeampaa saada luotettavaa tietoa, kun verrataan muihin EU-maista tuleviin lukuihin. Vaikkakin alueella on tehty lähivuosina paljon parannuksia päästöihin liittyen.

Visuaalisesti kartta on mielestäni väreiltään silmää miellyttävä, mutta suuri kysymysmerkki onkin mitä Viron ja Latvian raja-alueelle on oikein tapahtunut kartassa. Sillä kun katsoin loppu tulosta sitä ei mielestäni näkynyt, mutta tallennuksen jälkeen omituinen vääristymä ilmestyi kartalle. Ongelmia syntyi myös kun yritin ’’print layoutissa’’ muokata kartan kokoa suhteessa reunoihin, mutta se oli jostain syystä todella haastavaa. Tästä syystä legendan paikkaa kartalle oli vaikeaa asettaa ja siksi se jäikin hieman hassusti kartalle (osittain Norjan päälle).

Harjoitus 2
En halunnut lähteä sooloilemaan, joten valitsin tehtävä vaihtoehdoista osion 1. Ohjelmisto on vielä itselle sen verran uusi, että on hyvä harjoitella ensin itse sen käyttöä. Tein koropleettikartan saamenkielisen väestön osuuksista kunnittain. (k
(Kuva 2 Saamenkielisten osuus kunnittain % 2015)
Kuten kuvasta ilmenee, saamenkielisten osuus sijoittuu suurimmaksi osaksi Pohjois Suomeen- ja Lappiin. Prosentuaalisesti suurimmat kunnat ( 7-34%) sijaitsevat Utsjoella, Inarissa, Enontekiössä, Sodankylässä sekä Rovaniemellä. Eniten saamenkielisiä asuu Utsjoella, missä saamelaiset olivatkin pitkään alueen ainoita asukkaita. Nykyään Utsjoen kunnan asukkaista noin puolet puhuu äidinkielenään saamea. Tässä on kuitenkin hyvä ottaa huomioon, että itse Utsjoen asukasmäärä on suhteellisen vähäinen.

Tämän jälkeen seuraavaksi eniten prosentuaalisesti (4-7%) saamenkielisiä löytyy Oulusta sekä myös poikkeuksellisesti Helsingistä. Kuten myös Martta mainitsi blogissaan, selittyy kyseinen asia Helsingin suurella asukasmäärällä, sekä myös sillä, että jopa puolet Suomen saamelaisväestöstä asuu kotiseutunsa ulkopuolella. Suomesta löytyy kolme erillistä kieliryhmää, jotka luovat pääpiirteet Suomessa esiintyvälle saamelaiskulttuurille. Jokainen näistä poikkeaa hieman toisistaan elinkeinojen, sekä kulttuurillisten piirteiden kautta. Myös näiden jakaantumisesta olisi ollut mielenkiintoista luoda kartta, jos aika ei olisi tullut vastaan.

Mitä opin:
Q-gissin käyttö oli itselle täysin uutta ja aluksi hieman sekavaa. Kuitenkin tehtäviä tehdessä, alkoi ohjelma tuntumaan loogisemmalta sekä selkeämmältä. Paljon vielä löytyy kuitenkin yksittäisiä epäselvyyksiä, mutta ne varmasti selkenevät mitä pidemmälle kurssissa mennään.

Tsemppiä hirmusesti kaikille kurssitovereille!

Lähteet:
https://blogs.helsinki.fi/kmickos/
https://blogs.helsinki.fi/humartta/

Saamelainen kulttuuri

Tietoa Utsjoesta

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