Author Archives: Aino Schulz

3.3.2021 MAA-202 Itsenäistehtävät

Viimeinen itsenäistehtävä

Viimeistä itsenäistehtävää varten oli tarkoitus itse etsiä dataa, josta tehdä erilaisia karttaesityksiä. Tämä kerta toden todella opetti minulle sen, että järkevän datan ja karttapohjan löytäminen on todella vaikeaa. Kurssilla tottui kivasti siihen, että sai valmiit tiedostot, jotka voi vain lätkäistä ilman sen suurempia toimenpiteitä QGIS:iin. Opin kuitenkin nyt, että tallaisia ihania datasettejä ei ole niinkään helppo löytää. Ennen keksiviikkoa olin jo hieman etsinyt sivustoja, joilta voisi saada järkeviä datasettejä ja löysinkin sivustona, jolla on Itävallan INSPIRE datasettejä. Tein tältä sivustolta saaduilta datoilla karttaesityksen (kuva 1), jossa on ilmaistu Itävallan asukasluku 1 km × 1 km ruudukossa ja lumivyöryriskialueet. Suurin osa sivuston datasta oli rasterimuotoista, joten pääsin myös tutustumaan WMS:ään, jota kautta sain pohjakarttani sekä asukastiedot. Koska pohjakartassani erottuu pinnanmuotoja, voi siitä huomata, kuinka asutus keskittyy pääasiassa laaksoihin ja tasaisemmille alueille. Lumivyöryriskialueet taas keskittyvät luonnollisesti vuoristoalueille ja niillä asuu vähemmän ihmisiä. Olisin halunnut jotenkin tutkia, paljon asukkaita lumivyöryriski alueilla asuu, mutta ilmeisesti se ei ole mahdollista tämän tyyppisellä rasteriaineistolla. Karttani yksi ongelma on myös se, että legendassa on suomea ja saksaa sekaisin, mikä johtuu siitä, etten enää saanut muokattua, mitä eri värit asukasluvuissa tarkoittavat.

Kuva 1. Itävallan lumiriskialueet ja asukasluku 1 km × 1 km ruuduissa (lähde: https://geometadatensuche.inspire.gv.at/metadatensuche/srv/ger/catalog.search#/home).

Itävalta asioiden jälkeen yritin tehdä karttaa koronatapauksista ja löysinkin siihen csv-tiedoston EU:n dataportaalista. Tiedosto oli kuitenkin liian massiivinen, koska siinä oli viikoittaiset tapaukset jokaisesta maailman maasta. Aluksi halusin tehdä siihen uuden rivin, jossa olisi kaikki maakohtaiset tapaukset ja pitkän pohdinnan jälkeen jopa osasin suorittaa toimenpiteen laskemalla summan tapauksista maittain. Tämä kuitenkin teki tiedostosta aivan liian massiivisen ja QGIS:ni kaatuili sen seurauksena seuraavat kaksi tuntia, koska koneellani ei selvästikään ole suorituskykyä pyörittää niin isoja tiedostoja. Kaatuiluun kyllästyneenä päätin vaihtaa lähestymistapaa ja vain kopioida QGIS:n taulukkoon tapausarvoja. Tässä ongelmakseni koitui sopivan kartan löytäminen, jossa olisi taulukossa myös maat eikä vain rajoja. Löysin internetissä seikkailun jälkeen kartan, joka toimi haluamallani tavalla, mutta siitä jostain syystä puuttui osa Euroopan maista, jotka näkyvät kartassani sen takia valkoisena (kuva 2).

Kuva 2. Koronaan sairastuneiden suhteellinen osuus Euroopassa (lähde: https://www.worldometers.info/coronavirus/?utm_campaign=homeAdvegas1?).

Tämä tyyli tehdä karttaesitystä osoittautui todella hitaaksi, kun piti itse naputella arvoja taulukkoon. Lisäksi pohjakarttani ei ollut mitenkään erityisen hyvä sillä siitä puuttui maita. Seuraavaa karttaesitystä tehdessäni löysin kuitenkin vihdoinkin toimivan ja hyvän karttapohjan Euroopasta eurostatin sivuilta, jossa on kaikki maat näkyvissä. Karttaesityksissäni kuvataan EU maiden sukupuolten välisen tasa-arvon indeksiä (kuva 3) ja työssäkäyvien naisten osuutta (kuva 4). Kartoista on havaittavissa, että värit vaalenevat pohjoisesta etelään ja lännestä itään mentäessä. Olin oikein tyytyväinen karttapohjaani, joka oli oikeastaan aika vaikea löytää, sillä se oli kolmen zip-tiedoston takana. Jouduin kuitenkin tässäkin fyysisesti näpyttelemään arvoja taulukkoon. Toisin sanoen tämä kurssikerta opetti sen, että ihanteellisia, juuri haluamiaan datasettejä, on internetin ihmeellisestä maailmasta kuitenkin melko vaikea löytää. Niitä joutuukin usein muokkaamaan, jotta ne saa omaan käyttötarkoitukseen sopivaksi.

Kuva 3. EU maiden sukupuolten välisen tasa-arvon indeksi 2020 (lähde: https://eige.europa.eu/gender-equality-index/2020/compare-countries/index/bar).

Kuva 4. Työssäkäyvien naisten osuus EU maissa 2020 (lähde: https://eige.europa.eu/gender-equality-index/2020/compare-countries/work/1/bar).

Muiden kurssilaisten blogeja selatessa oli hauska huomata, että karttaesityksiä on tehty monipuolisesti erilaisista aiheista ympäri maailmaa. Kiinnostavia karttaesityksiä löytyy muun muassa Saaran blogista, jossa on tehty karttaesityksiä ajankohtaisesta aiheeseen, eli kuntavaaleihin, liittyen. Annikan blogista taas löytyy monipuolisesti erilaisia karttaesityksiä Yhdysvaltoihin liittyen. Lisäksi Alexanderilla on todella mielenkiintoinen blogipostaus, jossa on karttaesitys terrorismiin ja pakolaisiin liittyen sekä heatmap piratismiin liittyen, joka on kyllä todella hieno. Kaiken kaikkiaan kurssista jäi hyvä maku suuhun ja koen oppineeni käyttämään ainakin QGIS:n perusominaisuuksia sekä miten suunnilleen paikkatietoa voi hyödyntää. Kurssin edetessä oli hauska huomata, että alussa vaikeilta tuntuneet asiat alkoivat helpottumaan ja ongelmakohtiakin miettiessä tarpeeksi niille alkoi keksimään itse ratkaisuja.

Lähteet

INSPIRE Metadatensuche Österreich. 3.3.2021 https://geometadatensuche.inspire.gv.at/metadatensuche/srv/ger/catalog.search#/home

Worldometer. Reported Cases and Deaths by Country or Territory. 8.3.2021 https://www.worldometers.info/coronavirus/?utm_campaign=homeAdvegas1?

European Institute for Gender Equality. Gender Equality Index. 8.3.2021 https://eige.europa.eu/gender-equality-index/2020/compare-countries/index/bar

Innanen, A. Harjoitus 7: Karttoja omavalintaisista aineistoista. 9.3.2021 https://blogs.helsinki.fi/anninnan/

Heikkinen, S. Viimeinen kurssikerta. 9.3.2021                                     https://blogs.helsinki.fi/heikkins/

Engelhardt, A. Lesson 7. The End of the Beginning. 9.3.2021            https://blogs.helsinki.fi/alwengel/

 

Kuudes luento ja itsenäistehtävä

Tällä kertaa luento alkoi hieman erilaisissa merkeissä, kun luennon alkuhöpinöiden jälkeen menimme ulos keräämään dataa. Happihyppely teki hyvää ja sain kerättyä halutun määrän pisteitä. Jouduin tosin juoksemaan jonkin verran, jotta ehdin takaisin luennolle ajoissa. Sijoitimme kerätyt havainnot kartalle ja teimme havainnoista interpoloimalla kartan, jossa ilmaistaan pääkaupunkiseudun turvallisuuden tunnetta. Mahdolliset arvot olivat yhden ja viiden välillä, mutta yhtään 1 arvoa ollut. Suurin osa pisteistä oli arvoja 3–4. Erona muihin kurssilla tekemiimme Suomen aluetta kuvaaviin karttoihin, käytimme tässä koordinaattijärjestelmänä WGS84 eikä TM35, mikä sai kartan näyttämään vinolta.

Kurssikerran itsenäistehtävänä oli tällä kertaa karttojen tekeminen, joilla on esitettynä erilaisia hasardeja. Moodlessa oli linkkejä sivustoille, joilta pystyi lataamaan csv ja tsv tiedostoja tulivuoriin, maanjäristyksiin, tsunameihin ja meteoriittien putoamispaikkoihin liittyen. Latasin siellä tiedostot, jossa oli kaikki tulivuoret, eri magnitudien maanjäristyksiä, tsunamit, joissa menehtyi vähintään yksi ihminen, sekä kaikki meteoriittien putoamispaikat. Näihin liittyen tein neljä karttaa: Kuvassa yksi kuvataan tsunamia, joissa on menehtynyt vähintään yksi henkilö, sekä yli 7 magnitudin maanjäristyksiä. Kuvissa 2–4 on esitetty tulivuorien sijoittuminen sekä eri magnitudisia maanjäristyksiä. Kartoissani en ole rajannut vuosia, vaan latasin sivustolla kaikki mahdolliset tapahtumat, mitä NOAA:n tietokannoissa oli merkittyinä. Tämän takia minulla on kartalla havaintoja myös ennen ajanlaskua sattuneista maanjäristyksistä, mikä on itselleni hieman hämmentävää, sillä en ihan ole ymmärtänyt, miten niitä maanjäristyksiä on pystytty tarkasti mittaamaan. Tein myös kartan, jolla esitettiin meteoriittien putoamispaikkoja, mutta en keksinyt sille oikein mitään käyttöä.

Kuva 1. Tsunamit, joissa on menehtynyt vähintään yksi henkilö, sekä yli 7 magnitudin maanjäristykset.

Kuva 2. Tulivuorten sijoittuminen ja enintään 5.5 magnitudin maanjäristykset.

Kuva 3. Tulivuorten sijoittuminen ja alle 7 magnitudin maanjäristykset.

Kuva 4. Tulivuorten sijoittuminen ja yli 7 magnitudin maanjäristykset.

Karttojen 2–4 avulla pystyy tarkastelemaan, mitä säännöllisyyksiä maanjäristysten ja tulivuorten sijoittumiseen liittyy. Niistä erottuu esimerkiksi Tyynenmeren tulirengas. Lisäksi niistä huomaa, että tulivuoria sijoittuu mannerlaattojen reuna- ja saumakohtiin, joissa myös esiintyy maanjäristyksiä. Kuvan 1 kartan avulla taas pystyy tarkastelemaan merkittävien tsunamien ja maanjäristysten välistä yhteyttä. Visuaalisessa mielessä en tiedä pitäisikö karttani pisteitä hieman suurentaa, sillä laitoin ne aika pieniksi siinä toivossa, etteivät ne menisi liian pahasti päällekkäin. Karttaesitykseni sanomaa voisi myös voimistaa, jos siihen lisäisi vielä mannerlaattojen rajat, sillä silloin ilmiöiden sijoittuminen olisi helpompi hahmottaa. Karttaesityksiä voisi siten käyttää opetuksen tukena tunneilla, joilla käsitellään endogeenisia prosesseja. Ne voisivat tukea oppilaita näiden ilmiöiden sijoittumisen hahmottamisessa. Hennan blogissa on tarkemmin pohdittu tämän tyyppisten karttojen hyödyntämistä opetuksessa.

Muu mielenkiintoinen maanjäristysten esitystapa löytyy Annikan blogista. Annika on esittänyt vuosien 1921–2021 maanjäristyksiä merkiten eri magnitudin järistyksiä erilaisilla väreillä. Tästä on mielestäni omaan karttaesitykseeni verrattuna helpompi hahmottaa, kuinka voimakkaita maanjäristyksiä on ollut viimeisen sadan vuoden aikana ja missä suhteessa. Netistä löytyy myös kaikkea muuta hauskaa liittyen maanjäristyksiin ja tulivuoriin, jota voisi myös hyödyntää opetuksessa. Esimerkiksi USGS:n sivustolla pystyy seuraamaan maailmalla tapahtuvia maanjäristyksiä reaaliajassa ja sivustolla voi valita, minkä suuruisia maanjäristyksiä haluaa tarkastella miltä aikavälillä. Maanjäristykset on sijoitettu kartalle ja niiden voimakkuus Richterin asteikolla ja niiden sattumisaika on esitetty sivuston vasemmassa reunassa. Myös tältä sivustolta huomaa, kuinka maanjäristykset sijoittuvat pääasiassa mannerlaattojen saumakohtiin. Aktiivisia tulivuoria taas pystyy tarkastelemaan esimerkiksi Volcano Discovery -sivustolla, jossa on interaktiivinen kartta, jolta saa tietoja aktiivisten tulivuorten tilasta.

 

Lähteet:

National Oceanic and Atmospheric Administration. Search Earthquake Events. 24.2.2021 https://www.ngdc.noaa.gov/hazel/view/hazards/earthquake/search

National Oceanic and Atmospheric Administration. Search Tsunami Events. 24.2.2021 https://www.ngdc.noaa.gov/hazel/view/hazards/tsunami/event-search

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

Sanaksenaho, H. Nykypäivän koulumantsaa! 1.3.2021                https://blogs.helsinki.fi/hennablog/

Innanen, A. Harjoitus 6: maanjäristyksiä ja tulivuorenpurkauksia kartalla. 1.3.2021  https://blogs.helsinki.fi/anninnan/

USGS. USGS All Earthquakes. https://earthquake.usgs.gov/earthquakes/map/?extent=-80.58973,214.45313&extent=83.97926,664.45313&magnitude=all&settings=true

Volcano Discovery. Interactive map of currently active volcanoes. https://www.volcanodiscovery.com/volcano-map.html

Viides luento ja itsenäistehtävät

Viidennellä luennolla pääsimme nopeasti niin sanotusti tosihommiin. Aluksi esiteltiin, miten tehdään puskurivyöhykkeitä ja niitä sovelsimme lopputunnin itsenäistehtävissä. Ensimmäisessä itsenäistehtävässä piti tutkia Helsinki-Vantaan melualuetta. Asukkaiden määrän tutkiminen kahden kilometrin alueella oli helppoa, mutta heti tehtävän toisessa kohdassa minulla tuli hämmennys siitä, miten saan verrattua asukkaiden määrää pelkästään melutietokannan 65 desibelin vyöhykkeeseen. Pienen pohdinnan jälkeen muistin, että valitsemalla alueen voin exportata valitut arvot omaksi tasoksi ja siten select by locationin avulla verrata alueella olevia asukkaita. Valitettavasti luin tehtävän annon huolimattomasti, enkä tajunnut, että a ja b -kohdat liittyvät toisiinsa, kunnes joku kysyi asiasta zoomissa, kun olin jo ehtinyt tehtävissä pitkälle ja aloin vasta nyt jälkikäteen miettimään, miten asian saisi järkevästi ratkaistua. Koska arvoja on tässä niin vähän, ratkaisin asian sillä tavalla, että valitsin ensin asukkaat, jotka ovat 2 kilometrin säteen sisällä ja sen jälkeen valitsin fyysisesti ne asukkaat, jotka olivat 65 desibelin ja 2 kilometrin sisällä. Tähän olisi varmaan ollut parempi teknisempi ratkaisu, mutta se meni minulla ohi, jos se silloin zoomissa tuotiin esille.

C- ja d-kohdat minulla sujui sen puolesta ihan hyvin, koska olin tajunnut, että voin luoda uusia tasoja export -toiminnolla tai tekemällä scratch layereitä. Ongelma, mikä minulla tosin oli oikeastaan koko lentokenttä tehtävän ajan, oli että, sekoilin hirveästi koordinaattien kanssa. Useampaan otteeseen ihmettelin, miksi ohjelma ei laske haluamallani tavalla, kunnes tajusin, että exportatessa tai uutta scratch layeria luodessa unohdin muuttaa koordinaattijärjestelmän TM35:ksi. Unohdin muuttaa koordinaattijärjestelmän niin monta kertaa, että minulla kului paljon aikaa sen kanssa tappelemiseen sillä, kun piirtää jotain väärään koordinaattijärjestelmään ja muuttaa sen jälkeen toiseen, poistaa ohjelma kaiken, jolloin joutuu taas piirtämään kaiken uudestaan. Muuten minulla ei muuten ollut ensimmäisen tehtävän kanssa suurempia ongelmia ja se opetti minua kiinnittämään huomiota oikean koordinaattijärjestelmän valintaan. Toisena tehtävänä oli tutkia, kuinka paljon ihmisiä 500 metrin säteellä lähimmästä juna- tai metroasemasta. Tämän tehtävän kanssa minulla taisi olla se ongelma, että kun laskin työikäisten määrää itse sain taulukkoon NULL-arvoja. Sain zoomissa apua ja sain taulukon näyttämään siltä niin kuin sen kuuluikin. Tästä toisesta tehtävästä lähtien aloin laskemaan arvoja omalla taskulaskimellani ja kirjaamaan niitä ylös.

Itsenäistehtävien 2 ja 3 kanssa minulla ei ollut myöskään suurempia vaikeuksia. Pääsin ihan hyvin vauhtiin ja käytin samankaltaisia menetelmiä jokaisessa tehtävissä ja hyödynsin statistics ikkunaa. Itsenäistehtävän 3 kanssa minulla tosin kesti hetken päästä alkuun, koska tien sen viisipäivää muiden tehtävien jälkeen. Aivojen herättelyn ja toimintojen muistelun jälkeen sain sen kuitenkin ihan hyvin tehtyä. Suurin hämmennyksenaiheeni oli koulupiiri ja sen määräytyminen, kunnes tajusin, että sille oli olemassa oma tasonsa. Toinen asia, mikä herätti minussa hieman hämmennystä, oli tehtävänanto. Tarkoitetaanko seuraavan vuonna alakoulun aloittavilla oppilailla taulukon 6-vuotiaita? Entä tuleeko siinä myös huomioida 5-vuotiaiden määrä? En myöskään oikein tajunnut, miten minun pitäisi laskea alueita, joilla ulkomaalaisten osuus on tietyn prosenttiyksikön. Laskin taulukkoon uuden sarakkeen, jossa oli ulkomaalaisten suhteellinen osuus, mutta en oikein ymmärtänyt mihin tietokantaan minun pitäisi niitä vertailla. Keräsin saamiani arvoja taulukkoon yksi, ja toivon, että ne olisivat edes oikeaan suuntaan.

 

Tähän mennessä olemme jo tehneet useampia harjoituksia QGIS:ssä, ja olen oppinut käyttämään joitain sovelluksen ominaisuuksia. Sanoisin, että minulla on melko suuri itseluottamus ainakin perus koropleettikartan tekemisessä. Olemme käyttäneet pääasiassa vektoriaineistoja, joten rasteriaineiston käyttö on minulle ehkä vielä vähän enemmän pimennossa. QGIS:n avulla on mahdollisuus tehdä karttoja, joilla esittää erilaisia ilmiöitä. Siinä on mahdollisuus käsitellä runsaasti erilaisia aineistoja, mutta se ei oikein kestä liian laajoja aineistoja. Tämä kävi ilmi esimerkiksi, kun lisäsimme WFS rajapinnasta koko Suomen viemäritietokannan ja oma ohjelmani alkoi lagimaan ja taisi lopulta kaatua. Lisäksi esimerkiksi field calculatoria käyttäessä huomaa, jos aineisto on koneelle isohko, kun sillä menee enemmän aikaa suorittamaan laskutoimituksia. Tämän kerran uusi työkalu oli puskurivyöhyke, jonka avulla tässä tehtävässä tutkittiin muun muassa sitä, kuinka moni altistuu lentokentän meluhaitoille. Eerolla on todella hyvä aiheeseen liittyvä blogipostaus, jossa hän pohtii tarkemmin, mistä itsenäistehtävissä saadut tulokset johtuvat ja miten opittuja työkaluja voitaisiin hyödyntää.

Lähteet

Turkki, E. Ongelmanratkaisua. 23.2.2021                                          https://blogs.helsinki.fi/turkkiee/

10.2.2021 MAA-202 Luento ja kotitehtävät

Neljäs luento ja sen kotitehtävät

Neljännelle luennolla harjoittelimme rasteriaineiston käsittelyä QGIS:ssä. Luennolla taisimme tarkastella väestönmäärää, joten päätin valita harjoitusta varten ulkomaankansalaiset esitettäväksi muuttujaksi. Päätin pitää ruutukokona 1 km × 1 km, sillä minulla oli vielä tuoreessa muistissa luennon kauhutarinat, joiden mukaan liian pienellä ruudukolla koneella kestää laskea sitä ikuisuus. Ruudukon ja ulkomaankansalaisten yhdistämisen jälkeen join attributes by location -toiminnolla, joidenkin ruutujen arvoksi tuli todella isoja, epäloogisia arvoja. Luennolla kerrottiin, että se johtuu siitä, että arvona on ollut 9999 tyylinen arvo, koska ei olla haluttu kertoa todellista arvoa. Tämän takia poistin kaikki tällaiset arvota, jolloin niihin jää ”null”, eikä niihin tule ruutua. Ruututeemakarttani (kuva 1) kuvaa siis pääkaupunkiseudulla asuvien ulkomaankansalaisten määrää ja lukuarvot ovat absoluuttisia. Mielenkiinnon vuoksi tein myös ruututeemakartan (kuva 2), jossa on laskettu ulkomaankansalaisten suhteellinen osuus (ulkomaalaisten määrä ruudussa/ väestön määrä ruudussa * 100%). Yllätykseni sain jonkun ruudun prosenttiosuudeksi 100 %.

Kuva 1. Ulkomaankansalaisten absoluuttinen määrä 1 km × 1 km ruudukossa.

Kuva 2. Ulkomaankansalaisten suhteellinen määrä 1 km × 1 km ruudukossa.

Toisiinsa verrattuna ruututeemakartat ovat todella erilaiset. Omaan silmään tutummalta näyttää kuva 1, sillä siinä tummat alueet, ne ruudut, joissa on suurempi määrä ulkomaankansalaisia, sijoittuu niille alueille, joille ajattelen niiden sijoittuvan. Ruututeemakartassa, joka taas ilmoittaa ulkomaankansalaisten suhteellisen määrän, sijoittuvat tummemmat ruudut tasaisemmin ympäri karttaa, myös sinne, missä absoluuttisia arvoja kuvaavassa ruututeemakartassa oli vaaleita ruutuja. Tämä johtuu siitä, että kuvan 2 ruututeema kartassa oli ruutuja, joissa oli kolme asukasta, jotka olivat kaikki ulkomaankansalaisia tai ruutuja, joissa oli seitsemän asukasta, joista neljä oli ulkomaankansalaisia. Tämä herättää kysymyksen siitä, onko ruututeemakartassa järkevämpi esittää absoluuttisia vai suhteellisia arvoja. Itse olen sitä mieltä, että tässä tapauksessa olisi hyväksyttävää ja jopa parempi käyttää absoluuttisia arvoja. Suhteelliset arvot ovat mielestäni vähän hämmentäviä, sillä ne saavat joissain ruuduissa niin suuria arvoja, mikä antaa sellaisen kuvan, että ulkomaankansalaisia olisi paljon, vaikka ruudulla olisi vain kolme asukasta.

Visuaalisesti kartat ovat mielestäni ihan okei. Olisin tosin ainakin suhteellisessa ruututeemakartassani voinut lisätä luokkien määrää, sillä 44,4–100 % on todella laaja luokka, vaikka toisaalta se sisältää vain neljä arvoa. Olisi varmaan myös parempi, jos kartoillani olisi yhtenäiset otsikot, mutta ehdin jo kadottaa ensimmäisen ruututeemakarttani, enkä jaksanut tehdä sitä uudestaan vain otsikon muuttamisen takia. Lisäksi karttojen tulkintaa voisi huomattavasti helpottaa, jossa siinä olisi näkyvissä kuntarajat sekä joitain kaupunginosia, mikä tekisi helpommaksi hahmottaa ulkomaankansalaisten sijoittuminen. Kokeilin myös lisädatana olleita tiestötietokantaa, suuralueita, pienalueita sekä maankäyttöä. Jos häivyttäisi aluetietokantoja ruututeemakartan kanssa yhteen tai ottaisi siitä täytteen pois, voisi tämä ehkä hieman helpottaa alueiden tunnistamista. Lisäksi jos laittaisi tiestötietokannan näkyviin, voisi myös tarkastella, miten asutusluvut riippuvat tiestöjen sijoittumisesta. Maankäyttötietokannan hyödyntämistä varten en tähän hätään keksinyt vielä mitään.

Ruututeemakartalla voidaan esittää tietynkokoisen ruudun sisällä olevien erilaisten asioiden määrää ja täten käyttää absoluuttisia arvoja. Koropleettikarttaan verrattuna siinä voidaan esittää tarkempaa tietoa halutusta muuttujasta, koska koropleettikartassa pitää käyttää suhteellisia arvoja ja sen aluejako perustuu hallinnollisiin alueisiin. Ruututeemakartan, korpleettikartan ja muiden teemakarttojen eroista löytyy hyvin Annikan blogista. Tapion blogissa taas oli esitetty ruututeemakartalla mielenkiintoinen muuttuja, talojen rakentamisvuoden keskiarvo, jota en itse varmaan olisi koskaan edes keksinyt tarkasteltavan.

Ruututeemakarttojen tekemisen lisäksi teimme luennolla myös korkeuskäyriä rinnevarjostuksen avulla. Kotitehtäväksi jäi vielä verrata omaa tuotostaan Maanmittauslaitoksen peruskarttalehteen. Toteutin vertailun sillä tavalla, että pyrin etsimään alueet, jotka suunnilleen vastaavat toisiaan ja ovat suunnilleen samassa mittakaavassa. Kuvassa 3 on kuvakaappaus maanmittauslaitoksen karttapaikasta yllä ja sen alapuolella on QGIS:ssä tehty tuotos. Maanmittauslaitoksen versiossa on apukäyrät, joita ei omassani ole. Korkeuskäyrissä on eroja niiden muodon ja sijainnin mukaan. Esimerkiksi Mätikistön kohdalla on rinnevarjostusten perusteella tehtyjä korkeuskäyriä, vaikka niitä ei maanmittauslaitoksen kartassa ole. Maanmittauslaitoksen korkeuskäyrät ovat muutenkin pyöristetympiä, eivätkä ne ole yhtä rosoisia kuin QGIS:n korkeuskäyrät.

Kuva 3. Yllä Maanmittauslaitoksen karttapaikasta otettu kuvankaappaus ja alla QGIS:ssä rinnevarjostuksella tehdyt korkeuskäyrät suunnilleen samalta alueelta.

Lähteet:

Innanen, A. Harjoitus 4: Väestöteemakartta ruutuaineistosta. 15.2.2021 https://blogs.helsinki.fi/anninnan/

Turpeinen, T. 4: Ruuduista rastereihin. 15.2.2021                                    https://blogs.helsinki.fi/tapiotur/

Maanmittauslaitos – Karttapaikka. 16.2.2021    https://asiointi.maanmittauslaitos.fi/karttapaikka/

 

3.2.2021 MAA-202 Luento ja kotitehtävät

Kolmas luento ja sen kotitehtävät

Kolmannella luennolla harjoittelimme eri tietokantojen tuontia ja yhdistämistä QGIS:ssä. Harjoittelimme tätä Afrikan mannerta kuvaavan kartan avulla, jonka taulukossa oli alussa vain id, koodi ja maan nimi. Tähän taulukkoon laskimme aluksi pinta-alan ja yhdistimme siihen muita tietokantoja, joissa oli muun muassa väestö sekä konfliktien , timanttikaivosten ja öljykenttien määrä. Taulukko, joka sisälsi väestötietoja, tuotiin QGIS:iin csv-tiedostona ja yhdistettiin päätaulukkoon join -toiminnon avulla käyttäen yhdistävänä tekijänä maan nimeä. Myös tietokannat konflikteista, timanteista ja öljykentistä yhdistettiin samalla periaatteella join -toimintoa käyttäen. Minulla sujui Afrikka harjoituksen kanssa yllättävän hyvin, enkä kohdannut sen suurempia ongelmia luennon aikana. Lopputuloksena syntyi kartta, josta näkyy konfliktien, timanttikaivosten ja öljykenttien sijoittumisen Afrikan mantereelle.

Kuva 1. Konfliktien, timanttikaivosten ja öljykenttien sijoittuminen Afrikan mantereella. Lähde: kurssimateriaali

Kartasta voidaan päätellä, että konfliktit seuraavat jossain määrin luonnonvaroja. Laskimme taulukkoon myös sellaisen sarakkeen, jossa ilmoitetaan, kuinka monta vuotta maissa on ollut jonkin näköistä konfliktia. Tässä erityisesti esille nousi Angola, jossa oli ollut 42 vuotena konflikteja ja maassa on 43 timanttikaivosta. Toisaalta mantereella on myös maita, kuten Etiopia ja Uganda, joissa ei ole merkittävästi tai yhtään timanttikaivoksia tai öljykenttiä, mutta niissä on kuitenkin ollut paljon konflikteja. Lisäksi on maita, kuten Libya ja Tansania, joissa on timanttikaivoksia tai öljykenttiä, mutta ei lainkaan konflikteja. Koska kartalla ei ole näkyvissä konfliktien tapahtumisvuosia tai timanttikaivosten ja öljykenttien toiminta vuosia, on vaikea sanoa, onko niillä edes tekemistä toistensa kanssa ja kartta voi siten johtaa lukijaansa harhaan. Martan blogissa oli mielestäni hyvin pohdittu, mitä erilaisten muuttujien avulla voitaisiin päätellä konflikteista ja niiden yhteydestä timanttikaivoksiin, öljykenttiin ja internetin käyttäjiin.

Tällä kertaa aloitimme kotitehtävän tekemisen jo luennolla. Ja toisin kuin Afrikka karttahommelin kanssa, kotitehtävän kanssa ongelmat koettelivat minua. Kotitehtävänä oli tällä kertaa tehdä kartta, jossa on esitettynä tulvaindeksi ja järvisyysprosentti. Pääsin taulukkojen yhdistelyssä jonkinlaisen vauhtiin, kunnes huomasin, että tuodessani järvisyysprosentti taulukkoa csv muodossa QGIS:iin, muutti se ä:ni kysymysmerkeiksi ja täten en saanut laskettua kaikkien valuma-alueiden tulvaindeksiä. Avun konsultoimisen jälkeen opin, että ”encoding” kohta tulee muuttaa ”systemiksi”, kun minulla se oli jonkin muuna. Tämä sekoilun seurauksena ohjelmani kaatui, mutta huomasin kuitenkin ilokseni, etten ollut menettänyt etenemistäni avatessani sen uudestaan. Seuraava ongelmani, jota en ehkä ihan täysin saanut ratkaistua, oli järvisyysprosentti ympyrä- tai pylväsdiagrammin tuominen koropleettikartalle. Aluksi karttani (kuva 4) muistutti hieman Villen karttaa, vaikka hän olikin tehnyt paljon hienomman legendan kuin minä. Sain kuitenkin pienen vaivannäön jälkeen tehtyä ympyrädiagrammit, joista näkyy järvisyysprosentti maapinta-alaan verrattuna. Rasmuksen blogin kaltaisia pylväitä en saanut aikaan, vaikka kuinka yritin.

Kuva 2. Tulvaherkkyys valuma-alueittain. Lähde: kurssimateriaali

Kuva 3. Valuma-alueiden tulvaindeksi sekä järvisyysprosentti (0–19,8 %). Lähde: kurssimateriaali

En tiedä, kuinka tyytyväinen olen kuitenkaan karttaani (kuva 3), sillä mielestäni siitä on vaikea tulkita järvisyysprosenttia, koska ympyrä diagrammit ovat sen verran pieniä ja ne menevät paikoitellen päällekkäin. Lisäksi tulvaindeksejä on vaikea erottaa, koska ne jäävät ympyröiden alle. Tämän takia kuva 4 voisi jopa toimia paremmin kuvaamaan järvisyyttä, jos saisin vielä tehtyä samanlaisen kokokuvauksen legendaan kuin Ville on tehnyt. Maallikon silmin karttaa katsoessani sanoisin, että tulvaindeksi kuvaa valuma-alueiden tulvaherkkyyttä. Eli mitä tummempi alue sitä suurempi alttius sillä on tulville. Tämän perusteella etenkin rannikolla on valuma-alueita, jotka ovat tulvaherkkiä. Järvisyysprosentin taas oletan kertovan, kuinka suuri osa valuma-alueen pinta-alasta on järviä. Tämän perusteella taas eniten järviä olisi Järvi-Suomessa ja vähiten monella rannikon valuma-alueella. Martan blogissa oli hyvin selitetty syitä erilaisille tulvaherkkyyksille.

Kuva 4. Ensimmäinen versioni tulvaindeksi ja järvisyyskartasta.

Lähteet:

Huttunen, M: Harjoitus 3: Tiedon tuonnin tulvaa, 8.2.2021 https://blogs.helsinki.fi/humartta/

Sohlman R: Kolmas kurssikerta: aineistojen liittämistä ja valuma-alueita, 8.2.2021 https://blogs.helsinki.fi/sohlrasm/

Väisänen, V: Valuma-alueiden tulvaindeksikartta, 8.2.2021 https://blogs.helsinki.fi/villvais/

 

Toinen luento ja kotitehtävät

Toisella luennolla käsiteltiin etäisyyksien ja pinta-alojen määrittämistä QGIS:ssä sekä karttaprojektioiden eroja. Yhtenä harjoituksena oli tutkia projektioiden välisiä eroja vertailemalla pinta-aloja ja etäisyyksiä erilaisissa projektioissa. Minulla oli tässä vaikeuksia luennon aikana sillä en saanut etäisyyksiäni ja pinta-alojani pysymään projektiosta toiseen vaan jouduin aina mittaamaan sen uudestaan. Tämä saattaa siis aiheuttaa osaltaan virhettä mittauksiin. Tein kuitenkin taulukon pituus ja pinta-ala eroista, kun mittasin ne uudestaan luennon jälkeen määritettyäni helpommin mitattavissa sekä muistettavissa olevat alueet. Mittaukset sujuivat jälkikäteen paljon nopeammin ja helpommin kuin mitä oppitunnilla sekoilin. Aluksi ihmettelin, miksi saan kaikilla karttaprojektioilla samat tulokset etäisyyksistä, kunnes tajusin, että minun piti myös mitata kaikki arvot myös tason pinnalla (cartesian) eikä vain ellipsoidein pinnalla (ellisoidal). Tämän oivallettuani alkoi mittaustuloksissa näkyä erovaisuuksia.

Taulukko 1. Erilaisten projektioiden välisiä pituus ja pinta-ala eroja
Ellipsoidin pinnalla Tason pinnalla
Projektio Etäisyys (km) Pinta-ala (km²) Etäisyys (km) Pinta-ala (km²)
TM35FIN 146.557 8707.822 146.502 8781.478
Mercator 146.557 8720.952 397.92 66903.493
Winkel3 146.557 8707.822 221.48 13240.744
Gall 146.557 8686.688 281.738 21305.259
Sinusoidal 146.557 8707.822 150.843 8833.106

Taulukon 1 mittaustuloksia tutkimalla huomataan, että mitattaessa eri projektioilla ellipsoidin pinnalla tulokset ovat lähes samanlaisia. Etenkin etäisyys pysyi samana, vaikka pinta-ala mittauksissa onkin pienehköjä eroja. Vasta tason pinnalla mitattuna erot tulevat selkeämmin esille. Kaikki TM35FIN kanssa vertailussa olleet projektiot suurensivat etäisyyksiä ja pinta-aloja. Lähinnä TM35FIN projektiota oli Sinusoidaalinen projektio, siinä pinta-ala oli vain 0,58 % suurempi ja etäisyys 2,88 % pidempi. Suurimman vääristymän taas aiheutti Mercatorin projektio, jossa pinta-ala oli 86,96 % suurempi ja etäisyys 63,17 % pidempi. Mercatorin projektio onkin tunnettu siinä, että se vääristää pinta-aloja ja etäisyyksiä maapallon navoilla voimakkaasti. Erilaisten projektioiden käyttö vaikuttaa siis voimakkaasti siihen, onko esimerkiksi tutkittavan alueen pinta-ala vääristynyt. Projektion valinnalla on merkittävästi väliä siihen, miten kartanlukija tulkitsee aluetta ja millainen mielikuva hänelle jää siitä. Mercatorin projektiota käytettäessä ihmisille saattaa jäädä virheellinen mielikuva siitä, että niin sanottu globaali pohjoinen olisi niin sanottua globaalia etelää hirveästi suurempi. Tämän takia kannattaa varmistaa aina, mitä projektiota esityksessä käytetään ja pohtia onko se sopiva juuri kyseisen alueen esittämiseen.

Eri karttaprojektioiden välisiä pinta-alaeroja vertailtiin myös koropleetti kartan avulla. Itse tein kartat, joissa vertailtiin TM35FIN projektiota Mercatorin projektioon (kuva 1) ja Winkel3 projektioon (kuva 2).  Kun TM35FIN projektion pinta-alaa verrattiin Mercatorin projektioon, pystyttiin kartalle luomaan järkevät luokkajaot kahdeksaankin luokkaan asti. Kartasta huomataan, että pinta-ala vääristymä kasvaa eteläpohjoissuunnassa. Pinta-alat ovat Mercatorin projektiossa 3,95–8,26 kertaa suuremmat kuin TM35FIN projektiossa. Toinen projektio, joka pinta-alaa vertasin TM35FIN projektion pinta-alaan, oli Winkel3. Siinä pinta-ala erot ovat huomattavasti pienemmät kuin Mercatorin projektiossa. Pinta-alat ovat siinä 1,232–1,555 kertaa suuremmat kuin TM35FIN projektiossa. Koska ääripäiden vaihteluväli on verrattain pieni, olisi pinta-ala vääristymää kuvassa 2 voinut kuvata vähemmilläkin luokilla. Koska luokkia on kuvassa turhan paljon saattaa se virheellisesti viestittää lukijalle, että niiden välillä on jotakin suurempia eroja, varsinkin jos hän ei kunnolla tarkastele annettuja informaatioita. Samoin kuin Mercatorin projektiossa, Winkel3 projektiossa vääristymä kasvaa eteläpohjoissuunnassa.

Kuva 1. Mercatorin projektion pinta-ala verrattuna TM35FIN projektion pinta-alaan.

Kuva 2. Winkel3 projektion pinta-ala verrattuna TM35FIN projektion pinta-alaan.

Annika Innanen on blogissaan myös tarkastellut Mercatorin projektiota sekä Winkel 3 projektiota ja hän on myös ytimekkäästi kertonut niiden perusominaisuuksista. Hän on myös tutkinut Cassini-projektiota, joka aiheutti mielestäni melko jännittävän vääristymän, vaikkei se kovin voimakas ollutkaan. Toinen mielenkiintoinen pinta-alavertailu on Tapio Turpeisen blogista löytyvä Mollweidenin projektion pinta-ala vertailu. Vaikkeivat pinta-ala vääristymät siinäkään järisyttäviä ole, ne sijoittuvat melko epäloogisesti, mutta mielenkiintoisesti, ympäri Suomea. Tällä kurssikerralla en käyttänyt enää yhtä paljon aikaa sekoiluun kuin ensimmäisellä kurssi kerralla. Olen vähitellen pääsemässä kiinni siihen, miten QGIS:ä käytetään, vaikka etsinkin vielä epätoivoisesti sovelluksen peruutus nappia.

Lähteet:

Innanen, A. (1.2.2021). Harjoitus 2: Pinta-alojen vertailu eri projektioissa. Haettu osoitteesta https://blogs.helsinki.fi/anninnan/

Turpeinen, T (1.2.2021). Kurssikerta 2: Projektioita ja Pohjois-Karjalaa. Haettu osoitteesta https://blogs.helsinki.fi/tapiotur/

Ensimmäinen luento ja kotitehtävät

Ensimmäisellä luennolla harjoittelimme QGIS-sovelluksen käyttöä. Tunnin edetessä ohjelman käyttö avautui minulle ja sain aikaan halutun kartan. Valitettavasti ohjelmistolleni kävi jotain, enkä enää saanut tiedostoa avattua, jotta olisin saanut kopioitua sen vielä kuvana, jonka olisin voinut julkaista blogissani. Jouduin siis aloittamaan kartan teon uudestaan muistini perusteella, sillä video ohjeita ei siihen Moodlesta löytynyt. Mielestäni sain aikaan melko samanlaisen kartan, mitä tunnilla tehtiin. En tosin muistanut enää legendan tarkkoja sanavalintoja. Sain tehtyä uuden kartan puolessa tunnissa, eikä minulla ollut sen suurempia vaikeuksia. Jotkin asiat jopa sujuivat paremmin kuin yhdessä tehdyt asiat, esimerkiksi loppukartan zoomaus ja reunojen teko. Alla lopputulokseni. Kartassa näkyy Itämeren ympärysvaltioiden prosentuaaliset typpipäästöt.

Kuva 1. Itämeren ympärysvaltioiden suhteelliset typpipäästöt

Koska tappelin luennon lopussa kiivaasti tietokoneeni kanssa, meni minulta ohi luennon kotitehtävien alustus, jos sellaista oli. Kurssin ensimmäisenä tehtävänä oli ilmeisesti luoda koropleettikartta hyödyntäen Suomen kuntien tietokantaa. Aluksi tehtävänanto ja siihen kuuluvat vaikeustasot eivät auenneet minulle yhtään, joten kävin seikkailemassa muiden kurssilaisten blogeissa. Muiden blogeja katsomalla tehtävänanto valkeni minulle vähitellen ja päätin aloittaa vaikeustasolta yksi, sillä olen hieman pihalla vielä ohjelmien ja aineistojen käytössä, mutta toivottavasti kehityn kurssin aikana. Koropleettikartta on aiemmalta maantieteen menetelmät kurssilta tuttu ja siellä niitä tehtiin paikkatieto.fi -palvelussa. Tällä kurssilla kartta oli tarkoitus tehdä QGIS-sovelluksessa. Avasin Suomen kunnat kartta-aineiston vuodelta 2015 ja päätin valita muuttujaksi 0–14-vuotiaat. Kohtasin aluksi heti ensimmäisen haasteeni, sillä olin täysin unohtanut, miten koropleettikartta ohjelmistossa tehtiin. Jouduin muistin virkistykseksi menemään YouTubeen katsomaan ohjevideoita. Minulla oli melko suuria vaikeuksia ja jouduin vaihtamaan alkuperäisestä muuttujastani, sillä minusta tuntui, että tein muutoksia alkuperäiseen tiedostooni. Suurin ongelmani QGIS:n kanssa on, etten löydä ”undo” nappia mistään ja sen takia olen joutunut muutamaan otteeseen poistamaan aikaansaannokseni ja aloittaa alusta, sillä en parempaa ratkaisua ole keksinyt.

Loppujen lopuksi sain kuitenkin melko järkevältä näyttävän koropleettikartan aikaan, joka kuvaa 0–14-vuotiaiden osuutta kunkin maakunnan väestöstä. Kartalta huomataan, että 0–14-vuotiaiden osuus on suurinta erityisesti Oulun tienoilla ja Pohjois-Pohjanmaalla yleisestikin, mikä johtuu alueen korkeasta syntyvyydestä. Pienin osuus on Itä-Suomessa ja käsivarren Lapissa, joissa kuntien väestön keski-iät ovat suuria. 0–14-vuotiaat suhteellinen osuus siis laskee erityisesti Itä- ja Keski-Suomen pienissä kunnissa sekä Kainuussa (Valtionvarainministeriö 2020). Kartan avulla voi tarkastella kuntien lasten osuuksia ja siten päätellä missä päin on korkeampi syntyvyys ja eniten lapsiperheitä. Koropleettikartalla on helppo ohjata lukijan tulkintaa ja mielipidettä värityksen tai luokituksen avulla, esimerkiksi punainen väri saattaa antaa sellaisen kuvan, että ilmiö on negatiivinen. Valitsin itse väriksi sinisen, joka on melko neutraali väri, ja luokkajakoni on Jenksin ”natural breaks”, jonka tarkoituksena on minimoida luokkien sisäinen varianssi ja maksimoida luokkien välinen varianssi (wikipedia.org).

Kuva 2. 0–14-vuotiaiden osuus väestöstä kunnittain (%) vuonna 2015.

Kävin katselemassa myös muiden blogeja ja esimerkiksi käyttäjän turkkiee oli käyttänyt kanssani samaa muuttujaa, mutta hän oli tehnyt vaihtoehdon 3. Hänen karttansa on omaan karttaani verrattuna hieman erilainen, mikä voi johtua siitä, että hänen aineistonsa on vuodelta 2019 ja hän on käyttänyt eri luokkajakoa kuin minä. Muita blogeja, joita luin olivat käyttäjien anninnan ja humartta. Heidän bloginsa auttoivat minua paljon ymmärtämään kotitehtävän luonnetta ja sitä, miten siihen voi vastata. Kaiken kaikkiaan minulla oli suuri vaikeuksia aloittaa tehtävän teko, koska en ollut ihan ymmärtänyt, mitä minun pitää tehdä, mutta googlessa seikkailemisen ja vauhtiin pääsemisen jälkeen asiat alkoivat sujumaan ihan hyvin. Lopputuloksena syntyi mielestäni ihan järkevän näköinen kartta, joka sisältää koropleettikartalta vaaditut asiat. Yllätyin ehkä hieman siitä, että Pohjois-Pohjanmaan kunnissa 0–14-vuotiaiden suhteellinen määrä on korkeimmillaan, koska minulla on ollut sellainen mielikuva, että Etelä-Suomessa olisi juuri nuorehko väestö.

Lähteet:

Valtionvarainministeriö, Helsinki 2020. Kunnat käännekohdassa? Kuntien tilannekuva 2020. Valtionvarainministeriön julkaisuja – 2020:13. sivut 47 ja 57. Luettu 25.1.2021 https://julkaisut.valtioneuvosto.fi/bitstream/handle/10024/162061/VM_2020_13_Kuntien_tilannekuva_2020.pdf

Wikipedia. Jenks natural breaks optimization. Luettu 25.1.2021 https://en.wikipedia.org/wiki/Jenks_natural_breaks_optimization