salmeama’s blog

Nyt on saatu blogitekstit valmiiksi, eikä  muutoksia ole enää siis tulossa. Kiitos!

Moikka!

Viimeisen kurssikerran ohjelmana oli testailla kurssin aikana oppimaansa harjoituksen parissa. Itse valitsin harjoituksen, jossa tuli luoda kartta tai karttasarja itse etsimistään aineistoista. Aineistojen etsiminen osoittautui vaikeammaksi kuin ajattelin, sillä vapaasti ladattavaa dataa on saatavilla niin hurjat määrät. Ensin täytyi valita alue, jonka tietoja haluan kartalla esittää. Päädyin lopulta Eurooppaan, sillä Eurostatin sivuilta (https://ec.europa.eu/eurostat) löytyi kattavasti aineistoja erilaisista muuttujista. Dataa löytyi lähinnä EU:n ja Schengen-alueen valtioita, joten päätin rajata alueeni niiden perusteella. Valitsin lopulta kolme aineistoa, joista yksi sisälsi tietoa hiilidioksidipäästöistä, toinen pienhiukkasille altistumisesta ja kolmas valtioiden bruttokansantuotteesta, kaikki vuosilta 2018. Lisäksi etsin aineiston valtioiden väkiluvusta, jotta pystyin vertailemaan tilastoja valtioiden välillä ja lopuksi täytyi vielä löytää pohjakartta, jonka latasin myös Eurostatin -sivulta.

Aineistojen siivoaminenkin vei hieman aikaa, sillä taulukoissa oli jonkin verran ylimääräistä tietoa. Sain kuitenkin csv-tiedostot sellaiseen muotoon, että niitä pystyi käyttämään karttojen tekemisessä. Huomasin tässä vaiheessa, että päästöistä ei ollut dataa muutamista valtioista, joten jätin ne pois tutkimusalueeltani. Alueeni kattaa siis EU- ja Schengen-maat lukuunottamatta Sveitsiä, Maltaa ja Liechtensteinia. Koska tutkimani data on vuodelta 2018, on myös Iso-Britannia vielä mukana kartassa. Myös Pinja oli valinnut tutkimusalueekseen Euroopan valtioita, mutta hieman laajemmin kuin minä.

Päätin kuvata samalla kartalla (kuva 1) sekä hiilidioksidipäästöjä ja pienhiukkasilla altistumista. Päästöt oli ilmoitettu tonneina ja suhteutin ne väestön määrään ennen kartalle visualisoimista. Altistumisen pienhiukkasille halusin esittää pylväinä. Pylväiden sijoittaminen oikeisiin kohtiin tuotti hieman ongelmia. Mikään komento ei toiminut täydellisesti niin, että jokainen pylväs olisi sijoittunut valtioiden sisään. Kuvan 1 kartasta huomaakin, että Norjan pylväs on ennemminkin Ruotsin puolella. Myös pylväiden legendan muokkaaminen loi haasteita. Kurssikerralla 3 ei legendan tekeminen onnistunut, mutta tällä kertaa sain siitä hieman paremman ja informatiivisemman.  Toisella kartalla (kuva 2) esitin BKT:n per asukas vuonna 2018. Myös tähän karttaan valitsin samat valtiot kuin aikaisempaan. Löysin Sandran blogista kartan, jossa hän oli esittänyt valtioiden BKT:n Euroopan kartalla. Vertasin karttaa omaani ja vaikka Sandran kartassa on paljon enemmän luokkia, saa kartoilta pitkälti samanlaisen kuvan: on helppo erottaa suuren BKT:n omaavat valtiot pienemmistä.  Huomasin myös, että Sandra oli kartoillaan kuvannut valtiot, joista ei dataa ole löytynyt tietyllä värillä ja ilmoittanut tämän värin legendassa. Koska minullakin oli alueellani valtioita, joilta dataa ei löytynyt olisin voinut tehdä samoin.

Kun kuvan 1 muuttujia vertailee, huomataan, että päästöillä ja altistumisella pienhiukkasille ei ole suoraa yhteyttä, sillä vaikka esimerkiksi Islannilla on selvästi suurimmat hiilidioksidipäästöt, ei sen altistumista kuvaava pylväs ole kovin iso. Suurin pylväs on Puolalla, jonka päästöt ovat melko suuret mutta ei kuitenkaan edes toiseksi suurimpaan luokkaan kuuluvat. Kun verrataan kuvien yksi ja kaksi karttoja toisiinsa voidaan kuitenkin huomata BKT:n ja hiilidioksidipäästöjen välillä olevan yhteys: valtiot, joilla on suurempi BKT, on pitkälti myös suuremmat hiilidioksidipäästöt. Toisaalta tämä oli odotettavissa, sillä se on melko yleinen tieto.

Nyt on siis viimeinenkin harjoitus tehty ja kurssista selvitty. QGIS on tullut tutummaksi kerta kerralta, vaikka on vielä monia toimintoja, joita ei ole tullut kokeiltua. Selvästi on jotain tullut opittuakin, yllä olevat kartat siitä todisteena. Kiitokset Artulle kurssista!

 

Lähteet:

Eurostat. Air emissions accounts by NACE Rev. 2 activity (2018). Haettu 26.2.2021 osoitteesta: https://ec.europa.eu/eurostat/databrowser/view/env_ac_ainah_r2/default/table?lang=en.

Eurostat. GDP and main components (output, expenditure and income) (2018). Haettu 25.2.2021 osoitteesta: https://ec.europa.eu/eurostat/databrowser/view/nama_10_gdp/default/table?lang=en

Eurostat. Population on 1 January by age group and sex (2018). Haettu 25.2.2021 osoitteesta: https://ec.europa.eu/eurostat/databrowser/view/demo_pjanbroad/default/table?lang=en.

Eurostat. Exposure to air pollution by particulate matter (2018). Haettu 25.2.2021 osoitteesta: https://ec.europa.eu/eurostat/databrowser/view/sdg_11_50/default/table?lang=en

Eurostat. Countries 2020. Haettu 25.2.2021 osoitteesta: https://ec.europa.eu/eurostat/web/gisco/geodata/reference-data/administrative-units-statistical-units/countries#countries20

Nyström Sandra (2021). https://blogs.helsinki.fi/nystroms/ (viitattu 16.3.2021)

Pikkarainen Pinja (2021). https://blogs.helsinki.fi/pinjapik/ (viitattu 4.3.2021)

 

Moikka!

Kuudennella kurssikerralla päästiin ulkoilemaan ja samalla tutustumaan Epicollect5-sovellukseen. Sen avulla jokainen kurssilainen keräsi sijaintitietoon sidottua dataa lähimaastosta, mikä lopulta yhdistettiin yhdeksi tietokannaksi. Tarkoituksena oli arvioida kaupunkikohteiden viihtyisyyttä. Lopulta pistemäisestä tiedosta tuotettiin interpoloimalla kartta. Kuvassa 1 on esitetty kurssilaisten näkemyksiä kohteiden turvallisuudesta Helsingin kantakaupungin alueella.

Luentokerran toisessa harjoituksessa oli tarkoitus tuottaa kolme karttaa pistemäisestä datasta. Kartoista tuli tehdä sellaisia, joita voisi opettajana käyttää tuntiopetuksessa. Dataa löytyi maanjäristyksistä, tulivuorista ja meteoriittien putoamispaikoista, joista itse valitsin maanjäristykset ja tulivuoret.  Data ei tällä kertaa ollut valmiina kurssikansiossa, vaan se täytyi ladata itse eri sivustoilta. Tulivuoria koskevat aineistot latasin NOAA:n ylläpitämältä sivustolta (https://www.ngdc.noaa.gov/hazel/view/hazards/volcano/loc-search) ja maanjäristyksien aineistot USGS:n sivustolta (https://earthquake.usgs.gov/earthquakes/search/).

Päätin tehdä ensimmäisestä kartasta sellaisen, jossa näkyy kaikki maapallon tulivuoret (kuva 2). Siitä näkee helposti, missä päin maailmaa sijaitsee tulivuoria, ja etenkin Tyynenmeren tulirenkaan alue korostuu. Seuraavalla kartalla (kuva 3) esitin yli 5,5 magnitudin maanjäristykset, jotka ovat tapahtuneet vuosien 1964 ja 2020 välillä. Tämän lisäksi päätin lisätä karttaan tulivuoret, jotka ovat purkautuneet vuoden 1964 jälkeen. Kun tätä karttaa vertaa kuvan 2 karttaan, on huomattavissa, että suurin osa maapallolta löytyvistä tulivuorista ei ole purkautunut vuoden 1964 jälkeen. Kuvan 3 kartassa tulee hyvin esiin maapallon litosfäärilaattojen reunakohdat, mikä kertoo siitä, että eniten maanjäristyksiä tapahtuu juurikin laattojen reunoilla. Roosa mainitsee blogitekstissään, että opetustilanteessa olisi hyvä tutkia myös karttaa litosfäärilaattojen saumakohdista, ja hän on myös tuonut tekstiinsä niistä hyvän kuvan. Olen hänen kanssaan samoilla linjoilla, sillä vaikka maanjäristyksiä kuvaavista kartoista on havaittavissa reunakohtia, on hyvä ymmärtää laattojen reunojen eroja  ja toisaalta tietää myös niiden liikesuuntia.

Kuvan 4 kartta esittää maailmankartalla 1964-2020 tapahtuneet yli 7 magnitudin maanjäristykset ja lisäksi myös tässä kartassa on nähtävissä vuoden 1964 jälkeen purkautuneet tulivuoret. Kuvia 3 ja 4 verrattaessa huomaa, kuinka paljon vähemmän jälkimmäisellä kartalla on järistyksiä. Enää lähinnä Tyynenmeren tulirenkaan alueelta on huomattavissa litosfäärilaattojen rajakohtia ja esimerkiksi Atlantin keskiselänne ei enää kuvan 3 kartassa tule esiin. Tämä on merkki siitä, että 5,5 magnitudin maanjäristykset ovat paljon yleisempiä kuin yli 7 magnitudin järistykset.

 

Luomieni karttojen avulla voidaan siis tutkia maanjäristysten sijoittumista globaalisti ja niiden yhteyttä tulivuorten sijaintiin. Maanjäristyksistä opettaessa, olisi mielestäni hyvä myös kertoa järistysten aiheuttamista tuhoista. Euroopan komission sivulta löytyvässä kuvassa on visualisoitu erikokoisia maanjäristyksiä maailmankartalla sekä niistä muutamien aiheuttamia tuhoja. Maanjäristyksiin yhteydessä olevat tsunamit ovat myös hasardi, jota voisi hyvin kartoillani kuvata. Toisessa Euroopan komission julkaisemassa kuvassa tulee esiin muun muassa Euroopan alueen tsunami hasardin todennäköisyys sekä muutamia tapahtuneita tsunameja globaalilla skaalalla.

Kolmiot ovat mielestäni hyviä symboleita kuvaamaan tulivuoria pistemäisenä kartalla. Maanjäristyksille mietin parasta symbolia ja päädyin lopulta tähteen, joka ehkä parhaiten kuvaa järistystä. Jälkeenpäin karttoja katsoessa huomasin, että etenkin kuvan 2 kartassa symbolien väritys voisi olla hieman voimakkaampi. Kartalla esitettävien kohteiden määrä tuotti hieman ongelmia, sillä ne jonkin verran puuroutuivat toisiinsa, etenkin, kun kuvia katsoo blogitekstin lomassa. Näitä seikkoja huomioimatta olen kuitenkin tyytyväinen karttoihini. Yritin vielälopuksi tuottaa kartan interpoloimalla maanjäristysten voimakkuutta maailmankartalla, sillä se tuntui vaikealta luennon harjoitusta tehdessä. En kuitenkaan saanut tehtyä järkevän näköistä karttaa, jossa maanjäristysten hotspotit olisivat erottuneet tarpeeksi hyvin muusta alueesta. Sannan blogista löysin kuitenkin hyvän kartan, jollaista siis itsekin yritin luoda. Hyvä että hän on onnistunut! Ehkä täytyy vielä uudelleen kokeilla interpolointia, jos se myöhemmin vielä onnistuisi uusilla komennoilla.

 

Lähteet:

Earthquakes Global Overview 1 January – 7 June 2020 (2020).Euroopan komissio. 25.2.2021.  https://erccportal.jrc.ec.europa.eu/ercmaps/ECDM_20200608_EQs_Overview.pdf

EUCPM Contribution to the Tsunami Risk Management (2018). Euroopan komissio. 25.2.2021. https://erccportal.jrc.ec.europa.eu/ercmaps/ECDM_20181105_World_Tsunami_Awareness_Day.pdf

Harmonen Roosa (2021). https://blogs.helsinki.fi/harmoroo/ (viitattu 25.2.2021)

Korpi Sanna (2021). https://blogs.helsinki.fi/sakorpi/ (viitattu 25.2.2021)

National Oceanic and Atmospheric Administration. Haettu  24.2.2021 osoitteesta: https://www.ngdc.noaa.gov/hazel/view/hazards/volcano/loc-search

United States Geological Survey. Haettu 24.2.2021 osoitteesta: https://earthquake.usgs.gov/earthquakes/search/.

Moikka!

Tällä luentokerralla harjoiteltiin bufferointia ja erilaisten laskutoimitusten tekemistä. Toimintojen käyttöä harjoiteltiin viime kerralla valmistellulla Pornaisten kartalla. Tehtävänä oli myös kaksi itsenäisharjoitusta, joiden vastaukset tuli lisätä taulukoihin, jotka löytyvät alta. Yritin tehdä tehtävää uima-altaiden määrästä pk-seudulla, mutta jostain syystä en saanut yhdistettyä tarvittavien layereiden tietoja. Huomasin Pinjan kohdanneen todennäköisesti saman ongelman, mutta itse en löytänyt ignore-valintaa, jolla tehtävän olisi saanut suoritettua loppuun, joten päätin vaihtaa koululaisten määrää tutkivien harjoitukseen.

Tehtäviä tehdessä täytyi todella miettiä, minkä työkalun käyttö on tuloksen kannalta järkevin. Tietokantojen (vektori- ja rasteri) lisääminen luonnistuu jo ulkomuistista. Tähän mennessä ollaan opeteltu muutamien työkalujen käyttöä, joita on päästy harjoittelemaan monissa tehtävissä. Helpoimmalta tuntuu atrribuuttitaulukoiden muokkaaminen, lähinnä Field calculator -työkalun avulla. Join attributes by location (summary) on myös ollut käytössä jo muutamia kertoja, ja sen käyttö alkaa olla melko tuttua. Sen käytössä täytyy aina kuitenkin tarkasti miettiä kumpi yhdistettävistä layereista valitaan input layeriksi ja kumpi join layeriksi. Tämän viikon harjoituksissa käytin paljon Select by location -työkalua, jonka avulla oli helppo tutkia muun muassa lentokenttien ympärille piirrettyjen buffereiden sisään jääneiden asukkaiden määrää. Intersection ja Clip työkalujen ero ei ole minulle vielä täysin avautunut, mutta käytin tehtävissä Intersectionia, joka ilmeisesti yhdistää kahden layerin attribuutteja, samalla rajaten tietyn alueen.

Yllä mainittujen työkalujen lisäksi 5. kurssikerralla tuli käytettyä myös muutamia uusia työkaluja, kuten esimerkiksi Buffer -työkalu. Harjoituksissa sitä käytettiin löytämään kohteet, jonkin tietyn kohteen ympärille piirretyn bufferin sisällä. Sitä voitaisiin myös käyttää, kun halutaan rajata alue jonkin kohteen ympäriltä, vaikka ei haluttaisi laskea erillisiä bufferin sisään jääneitä kohteita.

QGIS sisältää suuren määrän erilaisia toimintoja, joiden avulla saa ratkaistua monia ongelmia. Täytyy kuitenkin olla tarpeeksi kattavia aineistoja, jotta analyysit ovat tarpeeksi luotettavia ja toisaalta täytyy myös osata käyttää juuri oikeita toimintoja ja osata lukea sekä esittää tietoja oikein. Kun mietin omaa osaamistani QGIS:sin parissa, huomaan, että olen oppinut jo paljon, mutta vielä on myös paljon hämärän peitossa. On vaikeaa ymmärtää logiikkaa työkalujen takana, enkä kaikkien toimintojen kohdalla ikään kuin ymmärrä miksi olen jotain tekemässä, vaikka tietäisin sen olevan oikea keino ja tiedän sen kertovan oikean vastauksen tai vievän minua lähemmäs oikeaa vastausta. Roosa oli blogissaan maininnut, että vaikka on tunne siitä, että osaa tehdä tarvittavat asiat, on vaikea valita parasta ja helpointa tapaa. Olen täysin samaa mieltä, mutta eiköhän sekin vähitellen avaudu (toivottavasti)!

 

Lähteet:

Harmonen Roosa (2021). https://blogs.helsinki.fi/harmoroo/ (viitattu 18.2.2021)

Pikkarainen Pinja (2021). https://blogs.helsinki.fi/pinjapik/ (viitattu 18.2.2021)

Moikka!

Tällä kurssikerralla tutustuttiin ruututeemakarttojen tekoon ja valmisteltiin rasterikarttaa valmiiksi ensi viikon kurssikertaa varten. Luennon aikana luotiin ruututeemakartta ruotsinkielisestä väestöstä pääkaupunkiseudulla, johon voi Lotan blogista käydä tutustumassa. Tällä kertaa päästiin myös käyttämään uusia QGIS:in toimintoja. Kurssikerran aikana aineistojen latautuminen Select by location -toiminnon avulla ei kestänyt kovin kauaa, vaikka siitä varoiteltiin. Toisin oli kuitenkin silloin, kun rupesin myöhemmin tekemään uutta karttaa itsenäisesti.

Laadin ruututeemakartan naisten määrästä pääkaupunkiseudulla. Harjoituksessa tuli luoda ruututeemakarttoja erikokoisilla ruudukoilla. Luennolla tehdyn kartan ruutukoko oli 1km x 1km, ja päätin kokeilla ensin jotain muuta. Ruutukooksi valikoitui 250m x 250m. Kuva 1 esittää siis tällä ruutukoolla tehtyä ruututeemakarttaa. Ruutukoko osoittautui hieman liian pieneksi, sillä ruutuja on melko vaikea erottaa toisistaan. Vertailun vuoksi tein vielä toisen teemakartan (kuva 2), jossa ruutukoko on sama kuin luennon aikana tehdyssä kartassa, eli 1km x 1km. Tältä kartalta ruudut on helpompi erottaa toisistaan, mutta olen silti sitä mieltä, että paras ruutukoko olisi ollut jotain 250m2ja 1000m2 väliltä. Annika olikin tehnyt kartan 500m x 500m ruuduilla, joka mielestäni näytti paremmalta kuin omat ruutuni. Päätin kuitenkin tehtävää varten analysoida kuvan 2 karttaani.

Ruudut, jotka ovat kartalla (kuva 2) tummimman liilan sävyisiä ovat ruutuja, joissa naisia on eniten ja vastoin vaaleat ruudut kuvaavat naisten vähäistä määrää. Koska alin luokka ulottuu nollasta 593, saattaa kartta antaa vääränlaisen mielikuvan. Luokkia olisi siis voinut lisätä hieman enemmän, jolloin jokaiseen luokkaan kuuluvat arvot eivät olisi niin laajoja. Erilaisten ruutujen jakautuminen alueelle kulkee pitkälti käsi kädessä kokonaisväestömäärän kanssa: siellä missä on paljon asutusta, on myös paljon naisia ja päinvastoin. Tämän voi huomata, kun vertaa kuvan 2 ja 3 karttoja. Kuvan 3 kartassa on kuvattu 1km x 1km ruuduilla koko väestön määrää. Kummassakin kartassa on lähes, ellei täysin, samanlainen kuvio. Eniten naisia (ja väestöä kokonaisuudessaan) on sijoittunut pääkaupunkiseudun merkittäviin keskuksiin, joita on Helsingissä etenkin kantakaupungin alue, Vantaalla Tikkurila ja Espoossa muun muassa Matinkylä.

Koska ruututeemakartalla jokaisen ruudun pinta-ala on yhtä iso, on kartalla mahdollista esittää absoluuttisia arvoja, eikä niitä tarvitse suhteuttaa esimerkiksi kokonaisväestöön tai pinta-alaan. Koropleettikartalla tällainen ei ole sallittua, vaan arvojen täytyy olla suhteellisia. Koropleettikartalla esitettävä tieto on usein myös yleistävämpää verrattuna ruututeemakarttoihin, joilla on mahdollista esittää yksityiskohtaistakin tietoa, mikä käy ilmi kuvan 1 kartasta. Kartoilta on melko helposti havaittavissa ruutujen väliset erot, mutta esimerkiksi kaupunkien vertailu toisiinsa on vaikeaa, sillä kuntarajoja ei ole nähtävissä. Sanna oli käyttänyt hyväksi Open Streetmapia ja lisännyt myös kuntarajat ruutuaineiston alle. Tämän avulla myös kuntien välinen vertailu on helpompaa.

Kurssikerran lopuksi aloitimme uuden harjoituksen, jossa toimme rasteritiedostoja QGIS:siin, joita yhdisteltiin ja projektiot yhtenäistettiin siten, että kaikki aineistot ovat sidottuna ETRS-TM35FIN -projektioon. Kokeilimme rinnevarjostuksen ja korkeuskäyrin luomista. Lopuksi pääsimme digitoimaan teitä ja taloja karttapohjalle, josta lopputulos on nähtävissä kuvasta 4. Luennon aikana digitoimani tiet olivat poistuneet jatkaessani työtä myöhemmin (olin selvästi unohtanut tallentaa ne), joten sekin täytyi aloittaa kokonaan alusta ja tällä kertaa muistin myös tallentaa. Kun sain digitoitua kaikki talot, huomasin, että kartalle oli tullut muutama virheellinen taloa kuvaava piste, mutta en vielä löytänyt toimintoa, jolla saisin ne poistettua. Karttapohja on nyt kuitenkin valmis seuraavan kurssikerran harjoituksia varten. Saa nähdä mikä meitä odottaa!

 

Lähteet:

Innanen Annika (2021). https://blogs.helsinki.fi/anninnan/ (viitattu 12.2.2021)

Jantunen Sanna (2021). https://blogs.helsinki.fi/smjantun/ (viitattu 12.2.2021)

Puodinketo Lotta (2021). https://blogs.helsinki.fi/lottapuo/ (viitattu 12.2.2021)

Moikka!

Tämän viikon luennolla oppimistavoitteena oli tietokantojen muokkaaminen ja yhdistäminen niin, että niistä voitiin lopulta tehdä haluttuja teemakarttoja.  Harjoittelimme tietokantojen yhdistelyä erilaisten kyselyjen avulla sekä saraketietojen muokkaamista ja lisäämistä. Luennon seuraaminen oli huomattavasti helpompaa, kun sain käyttööni toisen näytön, eikä enää tarvinnut jakaa yhdelle näytölle eri ikkunoita.

Luennolla teimme harjoituksen Afrikkaan liittyvistä tietokannoista, jotka sisälsivät tietoa valtioiden rajoista, tapahtuneista konflikteista sekä timanttikaivosten ja öljykenttien sijainnista. Lopuksi lisättiin vielä tietokanta valtioiden väkimäärästä ja internetin käyttäjistä. Harjoituksen tekeminen kurssikerran aikana onnistui hyvin. Kokeilimme muun muassa työkaluja ”Count points in polygon” ja ”Join attributes by location (summary)”, joista ensimmäinen laskee tiettyjen pistemäisten kohteiden määrän valittujen polygonien sisällä ja jälkimmäinen polygonien määrää polygonien sisällä. Tein vielä myöhemmin harjoittelun vuoksi muokkaamistamme attribuuttitaulukoista koropleettikartan (kuva 1), joka kuvaa Afrikan internetin käyttäjiä suhteutettuna valtioiden väkilukuun. Kartasta voidaan huomata, että vain yhdessä valtiossa (Kenia) internetin käyttäjiä on 71-85% väestöstä  ja suurimmassa osassa valtioista käyttäjiä on alle 29% kokonaisväestöstä.

Afrikka-tietokannoissa oli paljon tietoa edellä mainituista muuttujista. Muuttujia tutkimalla, voitaisiin tehdä monia päätelmiä valtion tilasta ja muuttujien välisistä yhteyksistä. Koska tietokannoista löytyy sekä konfliktien tapahtumavuodet että kaivosten ja öljykenttien löytämisvuodet, niiden välisiä yhteyksiä voitaisiin pohtia. Myös kaivausten ja poraamisten aloitusvuodet ovat voineet vaikuttaa konfliktien syntyyn. Internetinkäyttäjien lukumäärää eri vuosina voisi käyttää hyväksi valtioiden kehittyneisyyden mittarina, sillä se kertoo melko paljon valtion kehityksestä, kuten oli myös kurssikerran harjoitusmateriaalissa mainittu. Voitaisiin myös tutkia, miten konfliktit ovat vaikuttaneet internetin käytettävyyteen ja toisaalta sitä, onko internetin saatavuus vähentänyt konflikteja, jos sitä pidetään kehityksenmittarina.

Kolmannen luennon loppupuolella aloitimme tekemään itsenäisesti harjoitusta liittyen Suomen valuma-alueiden tulvaindeksiin. Ensin harjoituksessa laskettiin tulvaindeksit ja sen jälkeen attribuuttitaulukkoon lisättiin valuma-alueiden järvisyysprosentit. Järvisyysprosenttien lisäämisessä ongelmia tuli ääkkösten kanssa, sillä QGIS ei suoraan ymmärtänyt yhdistää liitettäviä nimiä alkuperäisiin ääkkösiä sisältäviin nimiin. Lopulta sain nimet kuitenkin liitettyä oikein ja pääsin kartan tekoon.

Tulvaindeksien perusteella oli helppo tehdä koropleettikartta (kuva 2) ja myös järvisyysprosenttien lisääminen pylväinä kartalle sujui melko helposti. Ongelmia tuotti kuitenkin järvisyysprosentin legendan muokkaaminen, enkä loppujen lopuksi keksinyt ratkaisua, jolla olisin saanut näkyviin luokittelumittarin. Jätin lopulta legendasta pois arvojen eroja selittävän kohdan. Huomasin myös Sannan törmänneen samaiseen ongelmaan, mutta hän oli Villen blogista neuvoa ottaneena tehnyt pylväiden sijaan ympyrädiagrammit kuvaamaan järvisyyttä. Sanna oli myös tehnyt järvisyysprosentista oman koropleettikarttansa, mikä kuvaa saman asian eri tavoin. Sitä olikin mielenkiintoista verrata omaan karttaan. Erillisestä järvisyysprosentti kartasta oli helpompi vertailla  eroja valuma-alueiden välillä.

Laatimani kartta (kuva 2) on siis tulvaindeksikartta, joka kuvaa jokaisen Suomen päävaluma-alueiden virtaamien vaihteluja. Mitä tummemman sinisen sävyn valuma-alue on kartalla saanut, sitä suurempi on tulvaindeksin arvo. Valuma-alueiden välillä on suuriakin eroja, sillä alin luokka kuvaa arvoja 1-32 ja korkein luokka 500-1100. Kun tutkitaan samalla kartalla esitettyjä järvisyysprosentteja, huomataan, että tulvaindeksillä ja järvisyydellä on jonkinlainen yhteys. Alueilla, joilla järvisyysprosentti on verrattain suuri, on tulvaindeksin arvo melko pieni. Päinvastoin, jos järviä on alueen pinta-alaan nähden paljon, on tulvaindeksi melko korkea. Poikkeuksiakin löytyy, kuten voi huomata Tornionjoen valuma-alueen suhteellisen pienistä tulvaindeksistä ja järsivyysprosentista. Pienimmät järvisyysprosentit löytyvät rannikolta, joilla kuitenkin tulvaindeksi on suurempi verrattuna muuhun Suomeen. Syynä tällaiseen yhteyteen voisi olla, jokien suurempi määrä niillä alueilla, joilla järviä on vähemmän. Joet ovat herkempiä tulvimiselle, mikä selittäisi tulvaindeksin suuremmat arvot rannikolla, jossa järviä on siis vähemmän. Helmi olikin blogissaan pohtinut kattavasti sitä, miksi tulvaindeksi on suurempi juuri rannikolla. Hän mainitsi muun muassa asutuksen sijoittumisen, rannikoiden sateisuuden ja alavan maan. Nämä tekijät ovat varmasti merkittäviä mitä tulee tulvaindeksin suuruuteen.

 

Lähteet:

Jantunen Sanna (2021). https://blogs.helsinki.fi/smjantun/ (viitattu 4.2.2021).

Lappalainen Helmi (2021). https://blogs.helsinki.fi/laphelmi/ (viitattu 4.2.2021).

Väisänen Ville (2021). https://blogs.helsinki.fi/villvais/ (viitattu 4.2.2021).

Arttu Paarlahden kurssiharjoitus 3.

Moikka!

Tälläkin kurssikerralla päästiin tekemään karttoja QGIS:sin parissa. Luennon aikana tutustuimme projektioiden pinta-alavirheiden visualisoimiseen kartalla, ja itse tehtävät liittyivät myös tähän teemaan. Luennolla selvisi, että QGIS sovellukseeni oli jostain syystä jäänyt myös suomenkielisiä työkaluja, vaikka kieliasetukset olin muuttanut englanniksi, mikä tuotti hieman ongelmia oikeiden työkaluja löytämisessä, ja vaikka lopulta sain kartan tehtyä, se ei jostain syystä ollut tallentunut. Ajattelin ongelmien menneen ohi, mutta myöhemmin tehdessäni kurssikerran harjoituksia huomasin, että sovelluksessa on muitakin ongelmia, niistä lisää tekstin lomassa.

Sitten itse harjoituksen pariin: Koska mikään tasoprojektio ei pysty kuvaamaan maapallon pintaa oikeanlaisena, vaan kartan ominaisuudet vääristyvät, on tärkeää valita sellainen projektio, joka vääristää kuvattavaa aluetta mahdollisimman vähän. Harjoituksissa pyrittiin visualisoimaan eri karttaprojektioiden välisiä mittavirheitä.

Ensin Suomi-neidon päälaelle piirrettiin ”hattu” sekä itä-länsi-suuntainen viiva sen keskiosiin. Näitä mittoja hyväksi käyttäen kerättiin taulukkoon 1 ”hatun” peittämän alueen pinta-ala ja viivan pituus eri projektioissa sekä karteesisella että ellipsoidin pinnalla. Taulukosta 1 voidaan huomata, että ellipsoidin pinnalla sekä pinta-ala ja pituus ovat (pyöristettynä) samat kaikissa projektioissa, mutta karteesisella tasolla projektioiden välillä on suuria eroja. ETRS-TM35FIN on hyvin Suomea kuvaava projektio, johon lopulta pinta-aloja verrattiin. Voidaankin huomata, että vain Lambertin projektiossa pinta-ala on lähes sama ja muut projektiot vääristävät pinta-alaa (ja pituutta) melko paljon. Eniten projektioista vääristää Mercatorin projektio, joka onkin tunnettu juuri huonosti pinta-alaa kuvaavana projektiona.

Yllä mainittu Lambertin projektio on ETRS-TM35FIN:in lisäksi toinen  Suomea hyvin kuvaava projektio. Harjoituksessa Lambertin projektiota haluttiin verrata pinta-aloja paljon vääristävän Mercatorin projektioon. Kuvassa 1 on visualisoitu juurikin näiden projektioiden välistä eroa, mikä suurenee Suomen kartalla kohti pohjoista. Vertasin kuvan 1 karttaa kurssilaisen Annikan karttaan, joka kuvaa samaa ilmiötä, eli Mercatorin projektion pinta-alavirhettä. Kartat näyttävät olevan samanlaiset sillä luokkia on 8 ja niiden väliset rajat kartalla kulkevat samoissa kohdissa. Olen siis ilmeisesti tehnyt kartan oikein.

Tämän jälkeen olisin halunnut verrata myös jotakin muuta projektioita Lambertin projektioon, mutta jostain syystä QGIS oli poistanut kaikki sinne lataamani ja muokkaamani tiedot. Attribuuttitaulukot olivat tyhjentyneet ja layereista näkyi enää ’kunnat2020_tilastoja’. Blogitekstissään on ongelmista maininnut myös kurssikaverini Lotta, jonka kanssa pähkäilimme yhdessä harjoitusten tekemistä. Päätimme pitää tauon, antaa tietokoneiden olla hetken aikaa suljettuna ja jatkaa myöhemmin uudelleen. Kuvan 1 karttaa voi kuitenkin verrata Nooran blogissa oleviin karttoihin, joissa Winkel Tripel sekä Eckert I -projektioita on verrattu ETRSTM35-FIN-projektioon. Niistä huomaa, että Mercator-projektio vääristää pinta-aloja huomattavasti enemmän.

Koska tauon jälkeen QGIS vaikutti toimivan taas normaalisti (vaikka poistuneet layerit ja tiedot eivät olleet palanneet), aloimme tehdä harjoituksen toista osaa. Siinä oli tarkoitus tutustua aineistojen attribuuttitaulukkojen yhdistämiseen. Tietokantaliitos onnistui muutamien kommervenkkien kautta ilmeisen hyvin ja pääsin tekemään karttoja, joilla eläkeläisten osuus oli suhteutettuna pinta-alaan Lambertin ja Mercatorin projektioissa. Kuvassa 2 on kuvattu eläkeläiset/km² Lambertin projektiossa ja kuvassa 3 Mercatorin projektiossa.

 

 

Samainen yllä mainittu ongelma aineistojen katoamisesta tapahtui ensimmäisen kartan tehtyäni, mutta tällä kertaa vain osa layerin tiedoista katosi. Kuvassa 4 on QGIS:sistä otettu kuvakaappaus, jossa osa kunnista on kadonnut kokonaan ’Mercator’ layerilta. Ongelmaan ei löytynyt ratkaisua ja jouduin aloittamaan tehtävän (taas) alusta. Sain kuitenkin myös kolmannen kartan tehtyä.

Kun vertaillaan kuvien 2 ja 3 karttoja, näyttävät ne lähes samanlaisilta. Täytyykin kiinnittää huomiota karttojen legendoihin, jotka eroavat toisistaan melko paljon. Mercatorin projektioon suhteutettuna eläkeläisten määrä kunnissa vaikuttaa olevan erittäin pieni ja Lambertin projektiossa eläkeläisten määrä on huomattavasti suurempi. Oikeanlaisen projektion valitseminen onkin siis tärkeätä, etenkin silloin, kun kartalla halutaan esittää pinta-alaan suhteutettuja ilmiöitä. Vääristävät projektiot voivat myös luoda vääränlaisia mielikuvia kokemattomalle kartanlukijalle. Tästä syystä esimerkiksi maailmankartoissa olisi hyvä käyttää kompromissi projektioita kuten Robinson tai Equal Earth -projektioita, joissa kaikkia projektiovirheitä on mahdollisimman vähän.

Tälläkään kerralla ei siis selvitty ilman ongelmia, mutta kyllä niistä selvittiin ja kartat saatiin tehtyä. Projektioiden tutkimisen myötä niiden väliset erot ovat taas vähän enemmän jääneet mieleen ja samalla myös QGIS tuli entistä tutummaksi, vaikka muutaman kerran meinasikin kärsivällisyys loppua ongelmien takia.

 

Lähteet:

Innanen Annika  (2021).  https://blogs.helsinki.fi/anninnan/  ( viitattu 29.1.2021)

Peräniemi Noora (2021).  https://blogs.helsinki.fi/noorablog/  ( viitattu 29.1.2021)

Puodinketo Lotta (2021).  https://blogs.helsinki.fi/lottapuo/ (viitattu 31.1.2021)

Moikka!

Ensimmäisellä Geoinformatiikan menetelmät 1-kurssikerralla päästiin tekemään koropleettikartta, jonka myötä tutustuttiin, ainakin minulle, täysin vieraaseen QGIS-sovellukseen ja sen toimintoihin. Kartan teko onnistui zoomin välityksellä saatujen ohjeiden avulla yllättävän helposti, eikä suurempia ongelmia alkupaniikin jälkeen tullut vastaan. Tehty kartta (kuva 1) esittää Itämeren rannikkovaltioiden typpipäästöjä.

Kuva 1. Kartta Itämeren rannikkovaltioiden typpipäästöistä

Karttaan oli valittu typpipäästöjä kuvaavan asteikon vaaleimmaksi väriksi valkoinen, jonka myötä Viron saattoi mieltää osaksi merta eikä omaksi valtiokseen. Ongelma kuitenkin ratkesi muuttamalla pienimmän luokan väriä, jolloin kartta on helpommin ymmärrettävissä. Huomasin myöhemmin, että myös järvien sävyä olisi voinut muuttaa, sillä se on melko lähellä HELCOM -merialueen sävyä.

Luennon aikana tehdyn kartan lisäksi täytyi tehdä Suomen kuntajakoa apua käyttäen teemakartta itse valitsemastaan muuttujasta. Valitsin muuttujaksi ruotsinkielisten määrän. Aloin ensin laskemaan ruotsinkielisten prosenttiosuuksia, kunnes huomasin osuuksien olevan jo valmiina attribuuttitaulukossa. Tämä helpotti tekemistä, sillä laskutoimitusten tekeminen ei luonnistunut kovin hyvin. Seuraavaksi ongelmaksi muodostui osuuksien kuvaaminen kartalla. Se kuitenkin selvisi kysymällä kurssikaverilta neuvoa. Karttaan vaadittujen pohjoisnuolen, mittakaavan ja legendan lisääminen ja niiden muokkaaminen kävi myös melko vaivattomasti. Lopulta sain tehtyä kartan (kuva 2), joka kuvaa ruotsinkielisten osuutta suhteutettuna koko kunnan väkimäärään. Lopullinen kartta näyttää hieman laihalta verrattuna kuvan 1 karttaan, mutta se johtunee kartalla esitettävien asioiden määrästä sekä muuttujien erilaisesta jakaumasta.

Kuva 2. Ruotsinkielisten osuudet kunnittain Suomen kartalla

Kuvan 2 kartasta huomataan helposti, että ruotsinkieliset ovat sijoittuneet lähinnä rannikkoalueille, etenkin Vaasan ja Ahvenanmaan seuduille. Jakauma on koko Suomen alueella kuitenkin hyvin epätasainen, sillä suurin osa Suomen kunnista sijoittuu alimpaan luokkaan, joka kuvaa osuuksia 0-19. Tämä voi antaa lukijalle vääristyneen kuvan näiden kuntien ruotsinkielisten määrästä, vaikka toisaalta ilmiö onkin hyvin polarisoitunut. Samasta muuttujasta oli tehnyt blogiinsa kartan myös Alexander Engelhardt. Hän oli käyttänyt hieman erilaista luokkajakoa, jonka myötä hänen kartallaan on muutama kunta vähemmän kaikista pienimmässä luokassa. Tästä huolimatta karttamme näyttävät lähes samalta.

Olen tyytyväinen tekemiini karttoihin, vaikka loppujen lopuksi löysin niistä myös jotain paranneltavaa. Kurssikerran jälkeen jäi vähän epävarma fiilis, mutta harjoitustehtävän tehtyä tuntuu siltä, että olen jo päässyt mukaan QGIS:sin ihmeelliseen maailmaan!

 

Viittaukset:

Alexander Engelhardtin blogi: https://blogs.helsinki.fi/alwengel/ (viitattu 25.1.2021)