Author: Senja Mäkiaho

Tämän kurssin viimeinen GIS kerta oli yhtä henkistä vuoristo rataa samalla tavalla kuin aikaisemmatkin kerrat. Tämän kurssin aikana olen huomannut, miten vaikeaa on löytää hyviä ja tehtäviin sopivia aineistoja. Vaikka olin etsinyt aineistot jo ennen tuntia, niitä avatessani huomasin, mitään ei auennut näytölle. Niiiin, minkäköhän takia .txt muotoiset aineistot eivät toimineet. Vietin kaksi ensimmäistä tuntia etsien uusia aineistoja. Tässä vaiheessa ongelmia lisäsi sen, etten osannut valita edes miltä alueelta halusin tehdä karttani. Lopulta päädyin tutkimaan Helsingin alueen viherkattoja, rakennettuja ja spontaaneja, koska näköjään en ole saanut tarpeeksi viheralueiden tutkimisesta.

Sitten itse tehtävään

Halusin selvittää, kuinka monta ihmistä asuu puolen kilometrin etäisyydellä näistä viherkatoista. Tässä kirjottaessa huomasin, että olen käyttänyt ihmismäärissä absoluuttisia, enkä suhteutettuja lukuja, joka vie karttojen informatiivisuuden minimiin. Tein aikaisemmin saman virheen, mutta nyt tuntuu siltä, että tämä olisi viimeinen kerta kuin teen tällaisen aloittelija virheen. En kuitenkaan tiedä, onko kartat kuitenkaan ihan turhia. Absoluuttisista luvuista huolimatta kartat kuitenkin vastaavat “tutkimuskysymykseeni”.

Kartoista (kuva 1 ja 2) huomataan, että spontaaneja viherkattoja on paljon vähemmän kuin rakennettuja, eikä näitäkään ole hirvesti, kun ottaa huomioon, että melkein jokaisen rakennuksen katolle pystyisi integroimaan vihreää. Koska käytin vahingossa absoluuttisia arvoja, kartat kertovat eniten asuinalueiden asutustiheydestä. Mitä enemmän ihmisiä, sitä enemmän ihmisiä kuuluu viheralueiden vaikutusalueelle. Tämän takia esimerkiksi varsinkin keskustan alue kuuluu suurimpaan luokkaan, vaikka alueilla on vain muutama rakennettu viherkatto. Kuvasta 1 huomataan myös, kuinka rakennettujen viherkattojen määrä vähenee kaupungin reunoille mentäessä keskustaa lukuun ottamatta. Varsinkin Luoteis- ja Pohjois-Helsingissä on useita kaupunginosia, joissa ei ole yhtään tai yksi rakennettu viherkatto.

Kuvasta 2 huomataan, että spontaaneja viherkattoja on huomattavasti vähemmän kuin rakennettuja viherkattoja. Nämä myös jakautuvat alueellisesti eri tavalla ja on vain muutama kaupunginosa, joissa on enemmän kuin yksi spontaaniviherkatto. Alueita, joissa ei ole yhtään spontaania viherkattoa on paljon enemmän kuin rakennettujen viherkattojen kohdalla. Nämä alueet keskittyvät erityisesti Länsi- ja Luoteis-Helsinkiin, vaikka tarkkailun alueen keskellä, idässä ja pohjoisessakin on näitä alueita.

Loppusanoina siteeraan Aletaa, joka tiivisti tämän kerran fiilikset mielestäni osuvasti:

Itsenäistehtävä vahvisti uskoa omaan osaamiseen, ja oli ilahduttavaa huomata, että kurssilta todella oli jäänyt jotain käteen. Mielipiteeni geoinformatiikasta ei ollut vielä edellisten kurssien pohjalta ehtinyt kunnolla muotoutua, mutta nyt voin varmuudella sanoa, että haluan syventää osaamistani vielä lisää. – Aleta Friman

 

Lähteet:

Pääkaupunkiseudun viherkatot. <https://hri.fi/data/fi/dataset/paakaupunkiseudun-viherkatot> Viitattu 6.3.2022

Friman, A., Aleten GIS-blogi, Luovuus valloilleen. Aletan blogi. Viitattu 6.3.2022.

Dataa sovelluksen kautta kartaksi

Yleensä GIS tunnit noudattavat tiettyä kaavaa: Arttu puhuu, tehtäviä ohjeiden mukaan ja lopulta kivuliasta itsenäistä tekemistä. Tällä kertaa keräsimme itse dataa lumisessa Kumpulassa ja Arabianrannassa. Sovellus teki datan keräämisen helpoksi, eikä minua haitannut pieni kävely, vaikka varpaat jäätyivätkin. Usean ihmisen kerätessä dataa sitä kertyi ihan kiitettävästi ja onneksi jakauduimme eri suuntiin, ettei kaikki data kerätty esimerkiksi Kumpulan laaksosta tai Intiankadulta.

Tuotimme tunnilla “interpolointi” työkalun avulla kartan koetusta turvallisuuden tunteesta havainnointipisteissä, joka loi “vaaran vyöhykkeet” tarkastelupisteiden ympärille. Tämän avulla voidaan tarkastella turvallisuuden tunteen vaihteluita alueen mukaan. Karttaa tulkitessa on hyvä ottaa huomioon, että monta ihmistä keräsi dataa. Jokainen ihminen kokee ja määrittelee turvallisuuden eri tavoilla, mutta Kumpulan kaltaisessa ympäristössä tämä tuskin vaihtelee. Pelkkänä datana kerättyä tietoa on vaikea tarkastella, eikä siitä oikein saa mitään selvää, mutta kartta muodossa huomataan, että turvattomammiksi kohteiksi on mielletty Kustaa Vaasan tien risteykset ja Arabian kauppakeskuksen läheisyys. Luultavammin johtuen runsaasta autoliikenteestä, jota teiden liukkaus ei tällä hetkellä auta. Turvallisemmiksi mielletään esimerkiksi puistoalueet, pienemmät kadut sekä asuinalueet.

Hazardeja vulkaanisessa ja maata järisyttävässä muodossa

Kuten Victoria pohti omassa blogissaan, interpolointi ei sovellu jokaiseen tehtävänantoon. Se toimii hyvin turvallisuuden tunteen kuvaamisessa, koska siinä voidaan kuvata yhden muuttujan vaihtelua (eli turvallisuuden tunteen eri asteita). Kuitenkaan en osannut käyttää sitä seuraavissa kartoissani, joten jätin sen kokonaan pois. Interpoloinnin sijaan käytin maanjäristyksiä kuvatessa “heatmap” toimintoa, joka toimi mielestäni hyvin ja lopputuloksesta tuli selkeä. Keskityin tulivuoriin ja maanjäristyksiin, koska itse opiskellessani minua auttaa enemmän muutama yhtenäisen teeman kartta, jotka kuvaavat kuitenkin hieman eri asioita. Lisäksi molemmat liittyvät maapallon endogeenisiin ilmiöihin, kun taas meteoriitit ovat aivan eri tarina.

Omasta mielestäni karttani ovat informatiiviset, vaikka voisivat kyllä olla selkeämmät. Harmi, että kuvien laatu huononee huomattavasti, kun ne tuo blogiin. Tulivuoria edustavat pisteet peittävät toinen toisiaan, mutta toisaalta maanjäristysten havainnollistaminen “heatmap” toiminnon avulla kartalla näkyvät symbolit vähenevät. Kartat ovat tarpeeksi yksinkertaisia, että ne soveltuisivat esimerkiksi yläaste- tai lukiokäyttöön. Itse karttojen värityksen olisin voinut valita paremmin (pyydän anteeksi punavihersokeilta lukijoilta). Tajusin puna-viherkomboni liian myöhään ja kuten varmaan kaikki tietävät QGIS:ssä tiedostojen uudellaan avaaminen on yhtä tuskaa. Lisäksi en osannut merkitä heatmapin avulla tekemiäni vyöhykkeitä legendaan.

Kuvista huomataan, että molemmat maanjäristykset (kuva 1) ja tulivuoret keskittyvät litosfäärilaattojen rajavyöhykkeisiin (kuva 2 ja 4), vaikka molempia esiintyy litosfäärilaattojen sisäosissakin. Laattojen keskelle sijoittuvaa vulkaanista toimintaa selittää esimerkiksi hotspotit, esim. Hawaii. Tulivuoret keskittyvät selvästi Tyynenvaltameren “tulirenkaalle”, jossa sijaitsee suurin osa voimakkaimmista maanjäristyksistä. Tyynenmeren lisäksi tulivuoria sijaitsee myös Atlantin valtameren keskiselänteellä. Tosin tällä rajalla kaksi litosfäärilaattaa erkanevat, jolloin maanjäristyksiä ei synny samalla tavalla kuin törmäysvyöhykkeillä.

Kuvasta 2 nähdään, että tulivuoret ovat pitempään sijoittuneet samoille alueilla johtuen esimerkiksi litosfäärilaattojen hitaasta liikkumisesta. Kartasta huomataan myös, kuinka kerrostulivuoria on huomattavasti enemmän kuin kilpitulivuoria ja ne sijoittuvat osittain eri alueille. Kilpitulivuoret syntynyt usein hotspotien alueelle (kuvasta erottuu esimerkiksi Islanti ja Hawaii). Molempia esiintyy niin törmäysvyöhykkeillä (Tyynenvaltameren tulirengas) kuin erkanemisvyöhykkeillä (esimerkiksi Itä-Afrikka ja Atlantin keskiselänne).

Kolmas karttani kuvaa merenalaisten tulivuorten sijoittumista (kuva 4). Kartasta huomataan, että nämäkin tulivuoret sijoittuvat enimmäkseen Tyynenvaltameren tulirenkaalle. Joitain tulivuoria sijaitsee myös Atlantin keskiselänteellä ja Intian valtamerellä, mutta näitä on huomattavasti vähemmän. Merenalaisten tulivuorien purkaukset eivät välttämättä ole yhtä tuhoisat kuin maanpinnan päälliset, koska päällä oleva vesimassa pienentää räjähdyksestä lähtevää paineaaltoa, eikä magman valuminen vaikuta ihmistoimintaan. Kuitenkin nämä räjähdykset voivat synnyttää esimerkiksi tsunameja ja vedenpinnalle saattaa päästä vulkaanista tuhkaa vaikuttaen esimerkiksi ilmanlaatuun ja lentoliikenteeseen (Kuva 3).

Kuva 4. Merenalaiset tulivuoret tulivuoren purkausalttiilla alueilla (NOAA).

Lähteet:

Getty Images. MTV. Vedenalainen tulivuori purkautuu – katso hurjat kuvat (21.3.2009).  Saatavilla: <https://www.mtvuutiset.fi/artikkeli/vedenalainen-tulivuori-purkautuu-katso-hurjat-kuvat/2172294> Viitattu: 25.2.2022

Rumbin, V., Matka GIS-Guruksi: Kurssikerta 6 – Interpolointia vai ei?. Victorian blogi. Viitattu 25.2.2022

Alkusanoina haluaisin pyytää itseltäni ja mahdolliselta lukijalta anteeksi karttojen epäesteettisyyttä ja värien vaihtuvuutta.

Lentokenttien meluhaittavyöhykkeet

Malmin lentokenttä

Tämän viikon teemana toimi vektoriaineistojen “Buffer” toiminto. Tämän kanssa leikittiin niin kauan, ettei varmastikaan jäänyt epäselväksi. Tämän työkalun avulla selvitettiin, kuinka monta (pistemuotoista) kohdetta jää halutun alueen sisään, kun säteenä toimii esimerkiksi kilometri. Ensiksi tutkittiin meluvyöhykkeiden sisään jäävien talojen ja niiden asukkaiden lukumäärää. Sain selville, että yhden kilometrin säteellä Malmin lentokentästä asuu yhteensä 9096 ihmistä 828 talossa (Kuva 1). Kahden kilometrin säteen sisään mahtuikin jo 4913 taloa, joissa asuu 58 189 ihmistä (Kuva 2). Kuvassa 1 näkyy molemmat tarkastellut meluvyöhykkeet, joista yhden kilometrin säteen meluvyöhyke on keltaisella.

Malmin lentokentän läheisyyden vanhat talot

Malmin lentokenttä valmistui vuonna 1936, mutta alueella on edelleen tätä jopa kymmeniä vuosia vanhempia taloja (Kuva 3). Nämä vanhemmat talot on siis rakennettu alueelle ennen kuin se kärsi melusaasteesta. Vanhemmat talot eli ennen vuotta 1936 rakennetut talot ovat vain murto-osa kaikista alueen taloista, kuten nähdään vertailemalla kuvia 1 ja 3. Vanhoja taloja on tutkitulla alueella yhteensä 55 ja asukkaita on 192.

Helsinki-vantaan lentokenttä

Tässä vaiheessa “Buffer” toiminto alkoi sujumaan ilman ongelmia. Toiminnon avulla sain selville, että kahden kilometrin säteen meluvyöhykkeellä (kuvassa liilalla) on 1780 taloa ja 11923 ihmistä. Kilometrin säteen meluvyöhykkeellä (kuvassa sinisellä) on 37 taloa ja 303 ihmistä (Kuva 5). En ole kuitenkaan yhtään varma ovatko nämä luvut oikein, koska tulokset vaihtelivat tekijöiden mukaan. Jos omat lukuni ovat vääriä, se johtuu luultavammin vyöhykkeistäni tai itse (piste)kohteiden eli talojen valinnasta. En ole vieläkään konkreettisesti ymmärtänyt, miten eri valinnat alla näkyvässä kuvassa vaikuttavat lopputulokseen, vaikka asia on todennäköisimmin QGIS:n simppelein ymmärrys.

Seuraavaksi selvitin, kuinka monta ihmistä osuu valmiiksi laskettujen (ja realistisempien) meluvyöhykkeiden sisään (Kuva 6). 65 dB melurajan sisään (vaalean sinisellä) osuu 37 taloa ja 303 asukasta. Tämä tarkoittaa noin 2,6 prosenttia kaikista taloista, jotka sijaitsevat kahden kilometrin etäisyydellä Helsinki-Vantaan kiitoradoista. 55 dB meluvyöhykkeen (tumman sinisellä) sisälle osuu 11 923 ihmistä.

Ihmiset asemien läheisyydessä

Samalla taktiikalla kuin aikaisemmissa tehtävissä laskin Vantaan eri liikkumismuotojen asemien läheisyydessä asuvien ihmisten määrän ja tämän ihmisryhmän demografisia ominaisuuksia. Bufferit luomalla sain selville, että 500 metrin läheisyydessä eri asemista asuu koko tutkitun alueen asukkaista 21,7 prosenttia. Näistä ihmisistä 65,5 prosenttia on työikäisiä.

Työikäisten osuutta laskiessa tyydyin manuaaliseen laskemiseen. Laskin attribuuttitaulukossa kaikkien työikäisten ikäluokkaan kuuluvien ihmisten määrän ja jaoin sen kokonaisväki määrällä. Vieläkin “join attributes by location” on aivan hepreaa, enkä ymmärrä mitä se käytännössä tekee.

Putkiremontti-indeksi pääkaupunkiseudulla

Pääkaupunkiseudulla on useita kerrostaloja, jotka rakennettiin vuosien 1965 ja 1970 välillä. Nämä rakennukset vaativat tai ovat vaatineet putkiremontteja viimeisten vuosien aikana. Kutsutaanpas talojen ja kaikkien ei-putkiremonttia vaativien talojen suhdetta putkiremontti-indeksiksi (Kuva 7). Karttaa tarkastelemalla huomataan, että putkiremontti-indeksin suurimpaan luokkaan kuuluvat asuinalueet kohdistuvat Itä- ja Keski-Helsinkiin. Kartasta myös huomataan, että Helsingissä on useita alueita, joilla ei ole putkiremontti ongelmaa. Putkiremontit haittaavat tai ovat haitanneet 39 002 talossa asuvia 65 206 ihmistä.

Pähkäilyjä, tuskailu, onnistumisia ja kehittymistä

QGIS osaamiseni kasvaa joka kerta, kun avaan sovelluksen, mutta samalla ymmärrykseni tietämättömyydestä kasvaa. Esimerkiksi lisäosien määrä sekä vektori- ja rasteriaineistojen konkreettisista ominaisuuksista ja tarpeista ovat suuremmat kuin olen ajatellut. Tallentaminen on suurin ongelmani GIS maailmassa .En osaa tallentaa tietokantoja oikein, jolloin kotona pitää pahimmassa tapauksessa aloittaa alusta tai vähintään ladata/avata joitain tietokantoja uudestaan.

Lainaten Jessikaa:

“Kurssi on ollut välillä aikamoista vuoristorataa, kun välillä hommat sujuu ja välillä turhauttaa ja tuntuu, että en osaa edes perusjuttuja”

GIS tekemisessä on kuitenkin hyvä, että saman lopputuloksen voi saada usealla eri tavalla. Ajattelin ennen, että jokaisen kartan ja GIS tekeleen teossa on vain yksi oikea reitti. Esimerkiksi erottelin Malmin lentokentän läheisyyden vanhat talot muista taloista eri tavalla kuin erottelin putkiremonttitehtävässä taloja niiden ominaisuuksien perusteella “Select by value” toiminnon avulla. Vaikka lopputulokseen päästään usealla tavalla, yllätyin, kuinka paljon tietyt valinnat vaikuttavat todenmukaisen lopputuloksen saavuttamiseen. Esimerkiksi uutta meluvyöhykettä tehdessä huomasin, että apuviivan, jonka mukaan tein vyöhykkeen, piti olla lyhyempi kuin itse vyöhykkeen. Päätin, tehdä vain neljän kilometrin viivan, jotta vyöhykkeeseen tulisi vain korkeamman meluasteen vyöhyke. Lisäksi vyöhykettä tehdessä sen molemmat päät kasvoivat valitun säteen verran, joka piti ottaa viivaa tehdessä huomioon.

Suurin osa ajastani GIS:n parista on sisäistä taistelua ohjelmiston, motivaationi ja päättäväisyyteni välillä. Minua häiritsee yllättävän paljon se, etten välttämättä sisäistä, mitä jokin työkalu tai toiminto tekee. Negatiivista puolista huolimatta viikon neljä GIS tuntia ovat ne tunnit mitä odotan koko viikon.

 

Kiitos, tsemppiä ja ensi viikkoon.

 

Lähteet:

Isomeri, J. Jessikan GIS-Hurvittelut: Viikko 5 – Bufferointia ja uima-altaita. Jessican blogi. Viitattu 17.2.2022

pääkaupunkiseutu ruutukarttana

Aikaisemmista viikoista eroten tällä viikolla perehdyttiin rasterimuotoiseen kartan tekemiseen. Tämän viikon tehtävä oli ainakin itselleni simppelimpi kuin aikaisempien viikkojen tehtävä ja alla olevan kartan sain tuotettua melkeinpä tunnin aikana.

Tutkimme siis Helsingin eri demograafisia ominaisuuksia ruutukartta muodossa. Käytössämme oli tietokanta, jossa oli paljon eri muuttujia, joista karsin esimerkiksi ruotsinkielisten, ulkokansalaisten ja muunkielisten määrät, niin absoluuttiset kuin suhteelliset. Jokainen teki itse ruudukon, jonka pohjalta QGIS muodosti attribuuttitaulukon ja myöhemmin teemakartan. Tämän takia, jokaisen kartat ovat eri näköiset. Ruuduissa karsittiin, ne jotka eivät sisältäneet mitään demograafista tietoa (näkyy kuvassa 1 harmaalla), mutta joissakin ruuduissa oli vain yksi asukas, kuten taulukossa 1 näkyy.

Päätin itse tehdä karttani ruotsinkielisten lukumäärästä, koska halusin kuvata itselleni visuaalisesti tämän ihmisryhmän sijoittumista kartalla (kuva 1). Kartasta nähdään, että ruotsinkielisen väestön suurimmat keskittyvät osuvat Helsingin keskustaan ja kantakaupunkiin. Kartta konkretisoi ruotsinkielisten sijoittumista pääkaupunkiseudulla, mutta sen informatiivisuus voisi olla parempi. Esimerkiksi:

• Kuntien rajat selkeyttäisivät kartan lukemista.
• Paikannimiä ei ole merkitty.
• Indeksikartta edesauttaisi tutkitus alueen sijainnin ja mittakaavan ymmärtämistä sellaiselle lukijalla, jolle pääkaupunkiseutu ei ole tuttu.
• Vieressä olisi hyvä olla asukastiheyskartta, joka auttaisi tämän kartan ymmärtämistä (tämä oli oma moka, se olisi ollut helppo tehdä jälkikäteen ajatellen)

Valitsin ruotsinkielisten lukumäärän, eikä tätä määrää esimerkiksi suhteuteta ruutujen kokonaisväestöön. Tämä takia kartta luo hieman virheellisen mielikuvan tämän ihmisryhmän sijoittumisesta. Tuottamaani karttaa voidaan verrata Elida Peuhun tuottamaan karttaan ruotsinkielisten suhteellisesta määrästä. Kartat ovat aivan eri näköisiä esimerkiksi suurimmat luokat keskittyvät suhteellisessa kartassa pääkaupunkiseudun reunoille. Omassa kartassani samat alueet kuuluvat pienimpään luokkaan, joka kertoo esimerkiksi näiden ruutujen asukasmäärästä. Ruuduissa on numeerisesti vähän ruotsinkielisiä, mutta suhteellisesti tämäkin määrä on paljon.

Näkyvyysanalyysi pornaisissa

Seuraavaa karttaa en olisi osannut yksin tehdä (kiitos Ilari <3). Näkyvyysanalyysilla laskettiin alueet, jotka näkyvät viiden kilometrin säteellä Pornaisissa Vuoteenkoskella olevalta mäeltä 10 metrin korkeudesta (kuva 3).

Kartta luotiin ensin lataamalla “Visibility Analysis” lisäosa, Paitulista Maanmittauslaitoksen korkeusmalli alueesta ja tehtiin uusi pistemuotoinen shapefile edustamaan tarkastelupistettä. Lisäosan avulla tehtiin “create viewpoint”,  joka sisälsi pisteen korkeustiedon. Tämän jälkeen “Viewshed” analyysi tehtiin kymmenen metrin korkeudesta viiden metrin säteellä. Lopputuloksessa on korostettu vaalealla ne alueet, jotka nähdään tarkastelupisteestä. Kuvasta 4 nähdään, etteivät kaikki säteen sisään kuuluvat alueet näy tarkastelupisteestä katsottuna korkeusvaihteluiden takia.

Suureen säteen ja yksityiskohtaisen taustakartan (5km) takia tuotetun kartan informatiivisuus kärsii ja kuva on hieman epäselvä. Kartan ajatus kuitenkin välittyy tästä huolimatta. Kartasta huomataan, että korkeusvaihteluiden takia, mäeltä ei nähdä ihan jokaista aluetta ja nähtävät alueet keskittyvät tasaisille alueilla, kuten pelloille.

Lähteet:

Peuhu, E., Geoinformatiikan menetelmät: Ruutukarttoja ja rasteriaineistoja (9.2.2022). Elidan blogi.

Ilarin big brain + Google

Tällä viikolla jatkoimme eri tietokantoihin perehtymistä ja niiden yhteen liittämistä siten, että kaikki tarvittavat informaatio säilyy ja siirtyy haluttuun tietokantaan. Tässä kohtaa minulle tuli useita ongelmia. Aluksi en pystynyt sisäistämään “vetoketju” periaatetta, vaikka ymmärsin sen käytännössä. On helppo ymmärtää, että kahta taulukkoa ei voi yhdistää ellei niillä ole yhteistä saraketta, mutta tämä sopivasti unohtui siinä vaiheessa, kun QGIS:n painikkeita piti painaa.

Afrikkaan liittyvä tehtävä ei ollut itselleni yhtä vaikea ja sen hahmotin paremmin kuin Suomen tulvaindekseihin liittyvän tehtävän. Vaikka askeleet olivat melkein samat (jos ei ota huomioon muutamaa lisäaskelta, jotka eivät ole enää monimutkaisia useiden yritysten jälkeen), en osannut hahmottaa aikaisemmin tekemääni Suomea koskevaa teemakarttaa tehdessäni.

Päätelmiä pisteiden ja lukujen perusteella

Tällä kerralla käytetyt tietokannat sisälsivät dataa Afrikassa tapahtuneista konflikteista, timanttikaivoksista ja öljykentistä. Datan ja siihen perustuneen kartan (Kuva 1) avulla voidaan huomata, että konfliktit ovat yleisimpiä niissä Afrikan maissa, joissa on useita timanttikaivoksia. Näitä Afrikan maita ovat esimerkiksi Angola, Tsad ja Etiopia.

Kun yhdistetään timanttikaivokset esimerkiksi epävakaaseen poliittiseen tilanteeseen ja alhaiseen elintasoon, on mahdollista, että kaivoksessa tuotetut timantit ovat veritimantteja. Sota-alueella tuotetut timantit lisäävät itsessään konflikteja, koska ne rahoittavat sotatoimintaa eli lisää konflikteja entuudestaan. Veritimantit ovat yleinen sodanrahoittaja useassa Afrikan valtiossa, kuten Sierra Leonessa, Kongon demokraattisessa tasavallassa ja Algeriassa.

Kun tietokantaan on tallennettu tietoa esimerkiksi konfliktin ajankohdasta, laajuudesta ja sijainnista ja tämä yhdistetään timanttikaivosten tai öljykenttien löytämisvuoteen ja niiden tuottavuuteen, pystytään päättelemään esimerkiksi ovatko nämä konfliktien aiheuttajia. Mitä tuottavampi kaivos tai kenttä on ja mitä epätasaisempi valtion taloudellinen ja poliittinen tilanne on, sitä todennäköisimmin se aiheuttaa konflikteja. Päädyin samaan loppupäätelmään kuin Kerttu Mäcklin ja Siiri Kokkonen, ettei kaivoksen tai kentän olemassa olo tarkoita automaattisesti konfliktia eli muuttujien välillä ei ole selvää korrelaatiota.

Konfliktien syntyy vaikuttaa myös moni muu tekijä, joista esimerkiksi köyhyys ja ihmisoikeuskysymykset ovat varmasti suurimpia. – Kerttu Mäcklin

Konflikteja synnyttää myös esimerkiksi vaurauden jakautuminen,  muista luonnonvaroista (vesi, metallit, jne.) taisteleminen ja eri etnisten ja uskonnollisten ryhmien väliset ristiriidat. Lisäksi kansannousut, kuten Arabikevät, ovat konflikteja, mutteivat liity timantteihin tai öljyyn. Arabikevät ovat hyvä esimerkki, kuinka internet pystyy vaikuttaa konflikteihin. Sosiaalinen media oli tärkeä tekijä esimerkiksi Libyan mielenosoituksien järjestämisessä, jotka muuttuivat fyysisiksi kiistoiksi (Globalis, Arabiakevät).

TULVAINDEKSEJÄ ja Pastellivärinen kartta

Päätiin haastaa itseäni ja yritin kokeilla tehdä valuma-alueiden tulvaindeksi- ja järvisyysprosenttikarttaa (Kuva 2.) vaikeamman kautta sen jälkeen, kun olin tehnyt tehtävän helpoimman kautta. Tämä ei kuitenkaan onnistunut ja “join attributes (sum)” komento on edelleen hepreaa. Kuitenkin huomasin, että niin helpompi kuin vaikeampi versio, jonka olin tehnyt olivat aivan vääriä ja lopulta QGIS poisti ne ennen kuin keksin mitä olin tehnyt väärin.

Yritin myös tehdä ympyrädiagrammit valuma-alueiden maa-aloista, mutta en pystynyt tekemään ympyrädiagrammia muuttamatta järvisyysprosentin pylväsdiagrammia. Näin jälkikäteen ajateltuna olisin voinut tehdä tehdä uuden kartan pelkästään maapinta-alan diagrammeilla ja liittää kuvat vierekkäin, mutta kahdeksan QGIS täyteisen tunnin jälkeen tämä ei tullut mieleen.

Kuten Kokkonen kirjoitti blogissaan, kuinka kartasta huomataan, että valuma-alueiden järvisyysprosentilla ja tulvaindeksillä on yhteys.

Niillä alueilla, joilla järvisyys on pientä, tulvaindeksi on huomattavasti suurempi, kuin suuren järvisyyden alueilla. Niillä alueilla, joilla järviä on runsaasti, jokien vesi pääsee varastoitumaan tulvakaudella järviin. – Siiri Kokkonen

Keski- ja Itä-Suomi ovat esimerkkejä matalan tulvariskin ja korkean järvisyysprosentin alueista ja varsinkin rannikko kuuluu korkean tulvaindeksin ja matalan järvisyyden alueisiin. Tulvaindeksi on rannikolla suuri, koska maaperä on tasaista ja järvien puutteen takia ylimääräinen vesimassa synnyttää tulvia.

Esimerkiksi Pohjanmaalla tulvaindeksi tulee kasvamaan, koska Pohjanlahti kohoaa edelleen viimeisimmän jääkauden jäljiltä. Kohoaminen pienentää jo valmiiksi pientä eroa merenpinnasta. Pohjanmaalla tulvat ovat yleisiä varsinkin keväällä, jolloin vesimassa on lisääntynyt sulavan lumen takia sekä jokiin ja puroihin muodostuu mahdollisesti jää- ja lumipatoja. Myös Kokkonen pohtii tätä omassa blogissaan. Tulviin vaikuttaa myös merenpinnan nouseminen. Jos merenpinta nousee huomattavasti se voi vaikuttaa suurimpaan osaan suomalaisista, koska asutus on keskittynyt tulva-alttiille alueille.

Lähteet:

Mäcklin, K. Viikko 3 – oppi kantapäiden kautta. Kertun blogi. (Viitattu 5.2.2022)

Kokkonen, S. Viikko 3: Afrikan timanttikonfliktit ja Suomen valuma-alueet. Siirin blogi. (Viitattu 5.2.2022)

Globalis. Konfliktit: Arabiakevät (29.10.2020). <https://www.globalis.fi/Konfliktit/arabikevaet> (Viitattu 5.2.2022)

Keskiviikkoillan mietelmiä

QGIS vaikuttaa koko ajan mielenkiintoisemmalta ja monipuolisemmalta, mutta samalla tietoisuus omasta tiedottomuudesta kasvaa. Yliopisto konkretisoi koko ajan enemmän ja enemmän sanontaa “joka päivä oppii jotain uutta”. Uutta tietoa tulee joka suunnasta oli se sitten WFS- ja WMS-palveluiden tai P-arvon muodossa. Tehtävien monipuolistuessa surkuttelun ja tuskailun määrä vain kasvaa. Tämä ei tietenkään haittaisi, jos lopputuloksesta saisi jotain kannustusta, mutta näin ei tapahdu, koska ainakin omat virheeni koostuivat muutamista pienistä huolimattomuusvirheistä, jotka tuottavat useiden tuntien edestä lisätyötä. Virheet muodostivat lumipallo-efektin ja yhtäkkiä kartan legendan sisältö, kartan otsikko ja itse kartta edustivat kukin omaa projektiotaan. Attribuuttitaulukon suodattaminen ja projektiotietojen muuttaminen vertailukykyiseksi dataksi oli kieltämättä yksi luennon kohokohdista. Tämä sujuukin nyt useiden yritysten jälkeen kuin vettä vain. 

TM35FIN, Mercator, Aitoff ja Robinson

Tänään tutkittiin eri projektioiden vaikutusta kartasta havaittavaan pinta-alaan ja seuraavat kartat visualisoivat tätä ilmiötä. Parhaimman kuvan kuntien todellisista kunnan muodoista ja koosta saa TM35FIN-projektion mukaisesta kartasta (Kuva 1), josta onkin kuva vertailun helpottamiseksi. Tätä vertasin Mercatorin, Aitoff’n ja Robinsonin projektioon perustuviin karttoihin. Karttoja tarkastellessa on hyvä huomioida, että varsinkin Pohjois- ja Itä-Suomen kunnat ovat pinta-aloiltaan suuremmat verrattuna. Suurten pinta-alojen takia vääristymätkin voivat olla suurempia näissä kunnissa. Suomen muoto vaihtelee kartoissa projektioiden mukaan, jotta niiden vaikutus pinta-aloihin olisi konkreettisempaa kuin, jos vääristymät olisi kaikki kuvattu esimerkiksi TM35FIN-projektion mukaisilla kartoilla. Toki tämä vaikuttaa niiden lukemiseen ja hahmottamiseen, mutta teknisiä ongelmia pitää aina olla :))

On siis tärkeää tutkia aineistoja kriittisesti, eikä uskoa sokeasti kaikkiin tarjottuihin aineistoihin. – Eeva Raki

Kuten Eeva Raki, tein kartoistani värikkäät, jotta alueiden väliset raja-alueet korostuisivat paremmin. Esimerkiksi yksiväristä väripalettia käytettäessä pienimpien arvojoukkojen rajat olivat epäselvät, joka olisi huonontanut kartan laatua ja informatiivisuutta. Vaikka kartat kuvaavat vain Suomea, niistä voidaan päätellä, millaisena ne kuvaavat maailmaa. Tämän näkee esimerkiksi Suomen muodosta ja kääntymisestä (kuva 3) sekä pohjoisnuolesta. Projektioiden vaikutukset alueen pituuteen ja pinta-alaan tiivistiin taulukkoon (taulukko 1), jossa pituus ja pinta-ala on otettu tietystä, mutta satunnaisesta alueesta Pohjois-Lapista. Mitat kertovat kilometreinä ja neliökilometreinä, kuinka suuri matka tai alue on mitattu. Kuten karttojen kohdalla, taulukossa TM35FIN edustaa todenmukaista pituutta ja pinta-alaa. Taulukosta nähdään, että suurin pituuden vääristymä syntyy Mercatorin projektiossa ja suurin pinta-alan vääristymä Robinsonin projektiossa.

 

Vaikka Mercator projektion mukainen kartta muistuttaa TM35FIN projektion mukaista karttaa eniten verrattuna muihin karttoihin, legendasta ja taulukosta 1 huomataan, että tämä ei pidä paikkansa. Mercatorin projektiossa kunnan pinta-alan vääristymä voi olla yli 8-kertainen TM35FIN-projektion mukaisen projektion pinta-aloihin verrattuna. Tämä on tärkeä muistaa karttoja vertaillessa. Mercatorin projektiossa vääristymät suurentuvat päiväntasaajalta navoille mentäessä. Tämän takia vääristymät ovat kuvan 2 kartassa suuremmat kuin kuvien 3 ja 4. Tämä myös selittää vääristymien kasvun pohjoisemmaksi mentäessä.

Vääristymät eivät ole yhtään niin suuret kahdessa muussa projektiotyypissä ja vääristymät pysyvät alle 1.5-kertoimen alapuolella. Aitoff’n ja Robinsonin projektioiden mukaiset kartat ovat kuitenkin ulkomuodoltaan ja estetiikaltaan vääristyneempiä kuin Mercatorin projektion pohjalta tehty kartta. Tämä saattaa vaikeuttaa karttojen välistä vertailua, joka ei ollut projektiopohjaisten karttojen tarkoitus. Karttoja tarkastellessa huomataan, että vaikka Aitoff’n ja Robinsonin projektioiden mukaisten karttojen vääristymät ovat samaa koko luokkaa, ne eivät kuitenkaan ole samat ja arvojoukkojen rajatkin vaihtelevat. Suurin ero huomataan suurimmassa arvoluokassa, esitetty kirkkaan punaisella. Airoff’n projektion mukaisessa kartassa tähän luokkaan kuuluu huomattavasti enemmän kuntia kuin Robinsonin projektion mukaisen kartan samaan luokkaan. Kuvasta 4 nähdäänkin, että Robinsonin projektion jokaisen arvoluokan raja on pohjoisemmassa kuin Aitoff’n projektiossa.

 

Lähdeluettelo:

Eeva Rakin blogi “Oppimassa geoinformatiikkaa” (Viitattu 26.1.2022)

Tilastokeskus. Vuoden 2020 avainluvut-tietokanta. (Viitattu 26.1.2022)

HELCOM eli Itämeren suojelukomissio

HELCOM on järjestö, johon kuuluu Itämeren alueen merellisen ympäristön suojelusopimuksen allekirjoittaneiden valtioiden hallitukset. Edellä mainitun yleissopimuksen allekirjoittivat vuosina 1974 ja 1992 Suomi, Latvia, Liettua, Puola, Ruotsi, Saksa, Tanska, Venäjä, Viro ja Euroopan talousyhteisö. Sopimuksista käytetään myös nimitystä Helsingin sopimus. Sopimus velvoittaa jäsenmaita vähentämään Itämereen kohdistuvaa kuormitusta sekä säilyttämään alueen luontoa ja lajien monimuotoisuutta.

”Typpi lisää rehevöitymistä Itämeressä toimien levien ja vesikasvien kasvua säätelevänä ravinteena. Rehevöityminen itsessään lisää happivajetta etenkin talvisin, kun jää peittää meren. Tämä johtaa helposti noidan kierteeseen, jossa happivaje lisää rehevöitymistä ja rehevöityminen happivajetta.” – Nea Tiainen

Kartan tarkastelua

Kuvasta 1 huomataan, että jotkut komission jäsenistä tuottavat enemmän typpipäästöjä Itämereen kuin toiset. Esimerkiksi Puola on ainut valtio, joka kuuluu suurimpaan päästöluokkaan. Päästöluokat pohjautuvat luonnollisiin luokkaväleihin, jolloin kuvasta nähdäänkin, että Puola tuottaa 33.7 prosenttia kaikista Itämereen päätyvistä typpipäästöistä. Puolan typpipäästöt muodostuvat palamisreaktioista (50 %), maanviljelystä (26 %) ja liikenteestä (22 %). Itämeren päätyneestä hapettuneesta typestä noin neljäsosa aiheutuu alueen meriliikenteestä ja sen aiheuttamista päästöistä (Bartnicki J. & Benedictow A. (2017)). Suomi, Tanska, Saksa, Viro ja Liettua tuottavat HELCOM-maista vähiten typpipäästöjä vaihdellen 3,2 prosentista 8 prosenttiin. Venäjän, Latvian ja Ruotsin päästöt vaihtelevat 8 ja 13,3 prosentin välillä.

Tehty teemakartta visualisoi typpipäästöjen lähdemaiden vastuuta, esimerkiksi kartasta erottuu hyvin suurimmat päästön aiheuttajat (eli Puola) kirkkaan punaisella. Kuten Nea Tiainen oivalsi omassa blogissaan, kartan ymmärtämistä voisi edesauttaa valtioiden nimeäminen.

On kuitenkin hyvä huomata, ettei kartassa esitetyistä vesistöistä erotu jokia, jotka kuljettavat typpipäästöjä Itämereen. Lisäksi Itämereen voi kulkeutua typpeä myös esimerkiksi Valko-Venäjän alueelta. Valko-Venäjä ei kuitenkaan ole HELCOM-valtio, jolloin sen merkitystä ongelmaan ei ole esitetty kartalla. Kartasta ei myöskään voida päätellä miltä tietyn valtion alueilta päästöt tulevat eli onko päästöillä alueellisia eroja poliittisten rajojen sisäpuolella. Kartta ei myöskään kerro päästöjen lähteitä, jolloin se ei ole yksinään hirveän informatiivinen.

 

Lähdeluettelo:

Ympäristöministeriö. Kansainvälinen yhteistyö vesien- ja merensuojelussa. https://ym.fi/kansainvalinen-yhteistyo-vesien-ja-merensuojelussa (käytetty 24.1.2022)

Bartnicki J. & Benedictow A. (2017), EMEP/MSC-W report for HELCOM, (EMEP/MSC-W TECHNICAL REPORT 2/2017), Oslo: Meteorological Synthesizing Centre-West (MSC-W). https://helcom.fi/media/publications/Contributions-of-emissions-from-different-countries-and-sectors-to-atmospheric-nitrogen-input-to-the-Baltic-Sea-1.pdf (käytetty 24.1.2022)

Tiainen, N. Melkein Gis-Guru siis itsekkin: HELCOM-alueen typpikartta (2022). https://blogs.helsinki.fi/tiainea/ (käytetty 24.1.2022)

Tunnilla tekeminen onnistuu ilman suurimpia ongelmia, mutta kotona itse työskennellessä ilmenee ongelmia ongelmien perään. Suurin ongelma on ohjelmistonkäyttö, kun viime kerrasta ei muista yhtään mitään. Virheiden ja muiden avun jälkeen se kuitenkin luonnistui ja sain luotua näytölle kartan alun.

Tehdessäni huomasin, kuinka paljon pienet valinnat vaikuttavat kartan välittämään viestiin. Seuraavista kuvista näkee, miten erilaisilta kartat näyttävät eri luokkavalintojen takia. Kuva 1 näyttää miltä 0-14-vuotiaiden osuus kunnassa näyttää, kun jokaisessa luokassa on yhtä monta kuntaa eli kyseessä on kvantiililuokkajako. Kuvassa 2 on tasaväliset luokkavälit eli luokkavälit ovat kaikki yhtä suuria.

Kvantiililuokkajako on siinä mielessä huonompi, että se vääristää varsinkin suurimpaan luokkaan kuuluvien määrää. Esimerkiksi kunnat, joissa lapsia on 19.5 prosenttia ovat samassa luokassa kuin ne kunnat, joissa on 35 prosenttia (Kuva 4). Tämä on suuri väli, kun ottaa huomioon muiden luokkien välit, joissa luokkien ääripäillä on noin kahden prosentin ero. Toisaalta kvantiilienluokkajako ansiosta kunnalliset erot erottuvat enemmän kuin kuvassa 2. Suurin hajonta on noin 13 ja 19 prosentin välillä, jotka on esitetty kuvassa 2 vain kahdessa luokkavälissä. Kuvasta 4 nähdäänkin, että toisessa ja kolmannessa luokassa esitetään huomattavasti enemmän kuntia kuin muissa neljässä. Kuvasta 2 ei myöskään erota kaikkia ensimmäiseen luokkaan kuuluvia kuntia kuntien pienen koon takia ja niiden pienen lukumäärän takia. Tämäkin vääristää kartan välittämää kuvaa tietyssä mielessä.

 

 

 

 

 

 

 

 

 

 

Tämä on hyvä kohta muistuttaa lähdekritiikistä!

Huomasin, etten ollut ainut meistä, joka on oli pohtinut luokkavalintojen vaikutusta karttaan. Esimerkiksi myös Juulia Salakka pohti blogissaan tasavälisten luokkavälien hyötyjä ja haittoja. Salakasta eroten valitsin kuitenkin tasaiset luokkavälit, koska tämä valinta sopi omaan karttaani. Valitsin tasavälisten luokkien mukaisen kartan valmiiseen karttaani (Kuva 5), vaikka kuntien väliset erot eivät erotu yhtä hyvin. Kartta kuitenkin kuvaa paremmin ääripäihin sijoittuvia kuntia, eikä vääristä mielikuvaa 19.5 ja 25 prosenttiin väliin kuuluvista kunnista.  Tästä huomataan, että jokainen kartta on erilainen, eikä ole yhtä tiettyä kaavaa, jolla saadaan tehtyä täydellinen kartta joka kerta ilman virheitä.

Vasta tämän prosessin aikana ymmärsin, miten painelemani napit vaikuttivat työn tulokseen ja mitä eri välivaiheita koropleettikartan tekemiseen kuuluu. Ensimmäisen periodin aikana QGIS:n käyttö oli ainakin itsellä pelkkää mekaanista nappien painamista ja ohjelmiston kanssa tappelua. En pystynyt miettimään itse prosessia puhumattakaan sen ymmärtämisestä. Varmaan tämän takia en muista yhtään mitään niistä välivaiheista, joilla tuotin halutun kartan. Prosessin ymmärtämisen jälkeen tuli helppo mekaaninen osuus eli karttaa selittävät tekijät, kuten mittakaava ja otsikko. Tämä on aina ollut enemmän mieleiseni vaihe varsinkin silloin, kun ohjelmisto suostuu piirtämään mittakaavan. Ensimmäisessä periodissa minulle ei ollut hirvesti onnea tämän kanssa 🙂

 

Lähdeluettelo:

Salakka, J. Geoinformatiikkaa oppimassa- blogi (23.1.2022). https://blogs.helsinki.fi/gis-juulia/ (käytetty 24.2.2022)