Pisteiden siirtäminen QGisiin onnistui ongelmitta, sillä olimme harjoitelleet taulukkomuotoisten tiedostojen lisäämistä ennenkin. Teimme siirtämisen yhdessä Artun johdolla, joten no problem. Halusin kartalle lisäksi litosfäärilaattojen rajat, joten etsin sopivan tiedoston GitHub-sivustolta (https://github.com/fraxen/tectonicplates).
Katri teki tietojenkäsittelytaikoja ja sai tulivuoritiedoston muutettua QGis-ystävälliseen muotoon excelissä. Huomasimme kuitenkin että excel kikkailu oli turhaa, sillä myös tektimuotoisen tiedoston lisääminen onnistuikin QGisiin. Yritin ensin interpoloida maanjäristyksiä, mutta päädyin lopulta tekemään järistysten sijoittumisesta heat mapin (kuva 2).
Kartoista
Heat map -kartan ja pistekartan yhdistelmän avulla voidaan vertailla kahden eri ilmiön sijoittumista. Maanjäristyksiä oli paikallisesti hyvin paljon pienten alueiden sisällä, joten heat map -esitys on piste-esitystä selvempi. Nyt kartalla eri ilmiöt erottuvat esitystavan ansiosta hyvin toisistaan. Kartan avulla voidaan opettaa erityisesti tulivuorten ja maanjäristysten olevan yhteydessä toisiinsa. Kartalta ei kuitenkaan selviä, johtuvatko ilmiöt toisistan, vai jostakin yhteisestä kolmannesta tekijästä. 2. Kartan avulla voi myös havainnollistaa sitä, mihin tulivuoret ja maanjäristykset pääsääntöisesti sijoittuvat.
Kuva 2: Yli 7 magnitudin maanjäristysten (1900-2022) heat map -esitys, sekä tulivuorten sijoittuminen maailmankartalla.
Kurssikerran ensimmäisenä itsenäisenä tehtävänä oli selvittää Malmin lentokentän melualue. Olimme kurssikerran yhteisessä osuudessa harjoitelleet jo bufferin tekemistä kohteelle, sekä bufferin sisälle jäävien kohteiden valitsemista, joten aloitustehtävä onnistui helposti (kuva 1). Sain selville, että melurajaksi määritellyn 2 km puskurivyöhykkeen sisälle Malmin lentokentän kiitoradoista jää 4946 asuinrakennusta, joissa asuu 58 821 asukasta. 1 kilometrin etäisyydellä kiitoradoista sijaitsee puolestaan 828 asuinrakennusta, joissa asuu yhteensä 9096 asukasta. Oli mielenkiintoista huomata, kuinka helppoa bufferitoiminnon avulla on selvittää suhteellisia sijaintitietoja, vaikka aineistossa on hyvin paljon yksittäisiä kohteita. En uskalla edes ajatella, kuinka iso työ olisi hoitaa sama homma manuaalisesti. 😀
Kuva1: Malmin lentokentän melualueet
Helsinki-Vantaan lentokentän melualueet
Toisessa itsenäisessä tehtävässä tutkittiin Helsinki-Vantaan lentokentän lähiympäristöä. Käytin apunani jälleen bufferia (kuva 2) ja selvitin, että 2 km säteellä Helsinki-Vantaan kiitoradoista asuu 11 662 ihmistä. Huomasimme luennolla, että kiitoratojen määrittelytavalla oli paljonkin merkitystä tulosten suhteen. Piirsin itse kiitoradat polygoneina ja sain yli tuhat asukasta suuremman tuloksen, kuin kurssikaverit, jotka olivat piirtäneet kiitoradat viivoina. Näin suuri heitto johtuu luultavasti siitä, että lentokentän itäpuolella asutus on hyvin tiivistä. Sen vuoksi muutaman kymmenen metrin ero puskurivyöhykkeen koossa vaikuttaa suuresti siihen, kuinka monta rakennusta vyöhykkeen sisälle jää.
Kuva 2: 2 km säteellä Helsinki-Vantaan lentokentästä asuvat ihmiset
Seuraavaksi selvitin, kuinka paljon ihmisiä asuu 2 km päässä ja 65 dB melurajan sisällä Helsinki-Vantaan lentokentästä (kuva 3). Melurajat olivat saatavilla valmiina tiedostona, joten loin valintatyökalun avulla tarvittavan puskurivyöhykkeen uudelle tasolle, ja määritin sen avulla vyöhykkeen sisään jäävät rakennukset. Tulokseksi sain, että 65 dB meluvyöhykkeellä asuu 303 asukasta, joten noin 2,6 % 2 km etäisyydellä kiitoradoista asuvista asuu myös 65 dB melurajan sisällä. Olin ihan ylpeä itsestäni, koska tajusin heti, miten saan hyödynnettyä valmiita vyöhykkeitä helposti ja nopeasti. 🙂 Selvitin samoin metodein, että vähintään 55 dB melualueella lentokentästä asuu 11 923 ihmistä (kuva 3).
Kuva 3: Helsinki-Vantaan melurajat
Vaihtoehtoisen lentoreitin vaikutusten selvittämisessä oli jo enemmän mietittävää. En aluksi keksinyt, miten saan tehtyä sopivan mittaisen lisäviivan. Pohdimme asiaa kuitenkin yhdessä kurssikavereiden kanssa, ja sain piirrettyä sopivan mittaisen ja suuntaisen janan. Bufferin tekeminen sujuikin jo kuin vanhalta tekijältä ja sain tehtävän vastaukseksi 7546 asukasta. (kuva 4)
Kuva 4: Tikkurilan lisäosan bufferi jne
Kuolema
Itsenäisen tehtävän tekemisessä vierähtikin sitten yli 4 tuntia. Ensin selvitin, että 65-70 rakennettuja kerrostaloja on yhteensä 1 206 ja niissä on asukkaita 65 206. Määrätyllä aikavälillä rakennettujen kerrostalojen erottaminen muista asuinrakennuksista onnistui helposti, mutta emme millään keksineet, miten yhdistää rakennusten sijainti a_pks_pie aineiston alueisiin. Myös Ilari oli mukanamme pohtimassa kysymystä, suurkiitos hänelle! Lopulta ymmärsimme käyttää join attributes by location (summary) -toimintoa. Sen olisi kaiken järjen mukaan pitänyt toimia, mutta niin ei tapahtunut…
Istuimme pitkään pohtimassa päitämme puhki, eikä edes Ilari GIS-velho saanut selville mistä kiikastaa. Lopulta selvisi, että a_pks_pie aineistossa oli ilmeisesti jotakin vikaa?? Ilari teki taikatempun: Settings > options > Processing > General > invalid features filtering > ignore ja kaikki onnistui parin alueen kohdalle tulevaa aukkoa lukuun ottamatta. Lopputehtävä hoituikin pyhän hengen (ja Ilarin) voimalla, mutta tässä tehtävässä kyllä GIS-kestävyyttä koeteltiin. Tehtävä oli selvästi liian vaikea ja en usko, että olisin selvinnyt siitä ilman Ilarin apua. Toistoa tuli kuitenkin niin paljon, että saatoin oppia käyttämään join attributes by location (summary) -komentoa.
Kuva 5: Putkirempintin tarpeessa olevien talojen osuudet
Nyt on takana 9 tuntia ruudun ääressä. En jaksanut tehdä enempää tehtäviä. Mulla tuli kiintiö aivan täyteen. Olen pahoillani kaikkien kurssikertalaisten puolesta!
”Tää oli niin traumaattinen kokemus, että mä varmaan unohdin kaiken, mitä me ollaan opittu”
Neljännessä viikkotehtävässä tarkastelimme Pääkaupunkiseudun asutusta ruudukkomuotoisen karttaesityksen avulla. Tehtävän vaiheet olivat minulle pääosin tuttuja juttuja, joita oli tehty aikaisemmilla kurssikerroilla. Esimerkiksi datan siirtely tasolta toiselle sujui jo suht hyvin ja tuntui aika selkeältä. Datan muokkaaminen attribuuttitaulukossa sujui myös hyvin ja osasin jo helposti suorittaa taulukossa laskutoimituksia.
Luennolla teimme yhdessä ruudukkomuotoisen kartan (Kuva 1) pääkaupunkiseudun muunkielisestä väestöstä. Kartalla pystyimme tavallisesta koropleettikartasta poiketen käyttämään muuttujien oikeita lukuarvoja suhdelukujen sijaan, sillä kartta on jaettu tasakokoisiin ruutuihin. Omatoimisessa kartassani muutin muuttujat kuitenkin suhdeluvuiksi. Valitsin ruudukkoanalyysini aiheeksi alle 6-vuotiaiden lasten prosenttiosuudet Pääkaupunkiseudulla. Osasin ekalla yrityksellä käyttää join attributes by location -toimintoa, jopa ilman että olisin luntannut tehtävän ohjeista. Myös laskutoimitukset attribuuttitaulussa onnistuivat sujuvasti ja sain selvitettyä alle 6-v. lasten prosenttiosuudet helposti; jotain kehitystä on siis havaittavissa! 🙂
Kuva1: muunkielisten määrä pääkaupunkiseudulla
Oma ruututeemakartta
Kurssitehtävänä oli luoda ruututeemakartta omavalintaisesta muuttujasta ja valitsin muuttujaksi alle 6-vuotiaat lapset. Käytin kartallani (Kuva 2) suhdelukumuotoista aineistoa sen vuoksi, että halusin tutkia erityisesti sitä, millä alueella pienten lasten perheiden osuus on suurin. Kartalta selviää, mitkä alueet ovat lapsiperheiden suosiossa. Koska suurin osa tutkimusalueen asutuksesta keskittyy Helsingin ydinalueelle, siellä on luultavasti määrällisesti eniten lapsiperheitä. Nyt kartalta voidaan kuitenkin huomata, että Helsingin ydinalueella on suhteellisesti vähän alle 6-v. lapsia. Päätin jättää kartassa järvet ja joet näkyville ruudukon päälle, koska ne selittävät osittain lasten sijoittumista kartalla. Esimerkiksi kartan luoteisosassa näkyy pitkä järvi, jonka alueella on hyvin vähän tai ei ollenkaan alle 6-v. lapsia. Tämä voisi selittyä sillä, että järven ympärysalueet ovat lähes asuttamattomia.
Kuva2: Alle 6-v. lasten osuus pääkaupunkiseudun väestöstä prosentteina
Esimerkiksi merkittävämpien alueiden nimeäminen kartalla voisi auttaa kartan lukijaa hahmottamaan informaation sijoittumista paremmin. (kesken)
Ruututeemakartassa aluejako on karkeampi, kuin esimerkiksi perinteisessä koropleettikartassa, joten esimerkiksi tarkkojen rajattujen alueiden keskinäinen vertaileminen on vaikeaa. Toisaalta ruudukkokartan avulla voidaan esimerkiksi kurssitehtävän tavoin tutkia jonkin ilmiön esiintymistä tehokkaasti yhden aluerajauksen sisällä.
Viikon ensimmäisessä harjoituksessa treenasimme QGIS:n valintatyökalujen käyttöä ja aluejaon muokkaamista. Tehtävä sujui mielestäni hyvin ja pysyin ihan hyvin kärryillä ohjeistuksessa. Kartan värien kanssa oli hieman hakemista, sillä tahdoin karttamarkien värien kuvaavan niiden esittämää ilmiötä, mutta yritin tehdä kartasta kuitenkin esteettisesti miellyttävän. Jälkikäteen ajateltuna olisin voinut tehdä taustakartasta hieman neutraalimman, mutta toisaalta, väri virkistää. 🙂
Kuva 1: Afrikan konfliktien sijoittuminen suhteessa timanttikaivoksiin ja öljykenttiin
Kartalla (kuva 1) on näkyvissä pistesymboleina Afrikan alueelle sijoittuvat timanttikaivokset ja konfliktit, sekä rajattuina alueina mantereiset öljykentät. Kartan perusteella voidaan nähdä että öljykenttien ja konfliktien välillä ei ole korrelaatiota, sillä suurin osa öljykentistä on alueella, jossa ei ole lainkaan konflikteja. Timanttikaivokset ja konfliktit puolestaan sijoittuvat joissakin kohdin samoille alueille, mutta selvää korrelaatiota ei ole havaittavissa näidenkään muuttujien välillä. Kartalla näkyy joitakin keskittymiä, joissa on runsaasti sekä timanttikaivoksia, että konflikteja, esimerkiksi Angolassa ja Sierra Leonessa.
Vaikka koko Afrikan alueella timantit ja konfliktit eivät korreloi, esimerkiksi Sierra Leonessa konfliktien juurisyynä olivat luonnonvarat, erityisesti timantit. Sierra Leonen sisällissota syttyi sekä kansalaisten maan hallintoon kohdistuvan tyytymättömyyden, että timanttien tuoman vaurauden tavoittelun johdosta, kerrotaan Kendra Dupuyn ja Helga Malmin Binningsbøn tutkimuksessa Power-sharing and Peace-building in Sierra Leone (2007). On myös hyvä huomioida, että kartalla (kuva 1) on esitetty vain pieni osa Afrikan arvokkaista luonnonvaroista, joten konfliktien ja luonnonvarojen välistä korrelaatiota ei voi päätellä kartan avulla.
Valuma-alueiden tulvaindeksit ja järvisyysprosentti
Valuma-alueita ja tulvaindeksejä esittävän koropleettikaetan toteuttaminen onnistui lähes ongelmitta. Olemme harjoitelleet QGIS:n laskimen käyttöä, attribuuttitaulukon muokkaamista ja koropleettikartan tekemistä jo aikaisemmilla luennoilla, joten ensimmäinen osa harjoituksesta oli vanhan kertaamista.
Kartogrammin luominen puolestaan oli minulle uutta ja sen tekemisessä ilmeni enemmän ongelmia. Sain mielestäni kuitenkin tehtyä kartasta niin selkeän, kuin oli kykyjeni ja tehtävänannon puitteissa mahdollista. Järvisyysprosentissa on hyvin suurta alueellista vaihtelua, jonka vuoksi hyvän diagrammikoon löytäminen oli hankalaa. Esimerkiksi Kotkan läheisyydessä pylväät peittävät lähes kokonaan taustalle jäävän koropleettikartan, eivätkä pienimmät palkit erotu kartalta juuri lainkaan. Tehtävänannon mukaisen kartan toteuttaminen oli siis mielestäni haastavaa.
Kuva 2: Tulvaindeksi ja järvisyys Suomen valuma-alueilla
Kartasta (kuva 2) voidaan huomata, että valuma-alueiden tulvaindeksillä ja järvisyydellä 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. Tilavuudeltaan suuriin järviin mahtuu paljon vettä, joten pinnankorkeuden muutokset ovat pienempiä, kuin järvettömillä alueilla.
Eeva Raki toteaa blogitekstissään Kurssikerta 3: Paineen alla (2022) suuren tulvaindeksin valuma-alueiden sijoittuvan Suomen rannikkoalueille. Raki myös päättelee havainnon perusteella, että merellä on vaikutus tulvaindeksin suuruuteen. Nykytilassa olevan meren lisäksi rannikoiden tulviin vaikuttavat luultavasti alueiden geomorfologiset ominaisuudet. Esimerkiksi Pohjanmaa on pääosin vanhaa merenpohjaa, joka on paljastunut maankohoamisen seurauksena. Merenpohja on tasaista alankoa, jossa jokien virtausnopeus on hitaampi, kuin viettävämmässä maastossa. Hitaan virtausnopeuden ja maaston tasaisuuden vuoksi myös tulvat ovat voimakkaampia.
Loppusanat
Kolmanne viikon luento sujui kivasti, ja tehtäviä tehdessä oli ihan hyvä flow päällä. Olen tyytyväinen siihen, että sain blogitekstin vaihteeksi ajoissa valmiiksi. Huomasin myös erityisesti toista tehtävää tehdessäni, että joukossa on voimaa. Pohdimme pitkään yhdessä, miten saisimme diagrammit toimimaan kartalla, ja lopulta onnistuimme yhteisvoimin.
Toisen viikon tehtävänä oli tutustua karttaprojektioihin, ja erityisesti niiden vääristymiin. Projektioiden eroavaisuuksia ja ongelmakohtia havainnollistettiin vertailemalla niitä keskenään sekä taulukoiden, että karttojen avulla. Keskityimme erityisesti tutkimaan pinta-alojen ja pituuksien vääristymiä.
Blogitekstin taustamusiikki
Simon & Garfunkel – Mrs. Robinson
Pituuksien ja pinta-alojen vertailua
Taulukko 1: Projektioiden mittavääristymät
Ensimmäisessä tehtävässä tarkoituksena oli vertailla taulukon avulla eri projektioiden perusteella saatuja pituuksia ja pinta-aloja. Lisäksi vertailtiin eroja ellipsoidin, ja karttatason pinnalla tehdyissä mittauksissa. Taulukon perusteella ellipsoidin pinnalla tehdyt mittaukset pysyvät aina samana, sillä ellipsoidi on jokaisen projektion taustalla sama. Karttapinnalla tehdyissä mittauksissa on puolestaan suuria vaihteluita, sillä projektiot vääristävät pisteiden välisiä etäisyyksiä eri verran.
Yhdessäkään tutkimassani projektiossa tason pinnalla mitattu pituus tai pinta-ala eivät vastaa ellipsin pinnalla mitattuja vastineita. Voidaan siis päätellä, että mikään projektioista ei ole oikeapintainen projektio. Lähimpänä tutkittujen alueiden todellisia mittoja on TM35FIN-projektio. Suurin pinta-alan ja pituuden vääristymä saadaan Mercator-projektiosta.
Projektioiden väliset erot kartalla
Toisessa tehtävässä havainnollistettiin kartalla projektioiden aiheuttamia pinta-alavääristymiä. Ensimmäisessä kartassa (kuva 1) vertailin Mercatorin projektiota ja TM35FIN-projektiota. Tutkiessani Mercatorin projektion pinta-alavääristymiä huomasin, että tulosten luokat asettuvat itä-länsi suuntaisiin vyöhykkeisiin, joissa vääristymä voimistuu pohjoista kohti mentäessä. Vääristymän suuruus näyttää kasvavan tasaisesti, lapissa vyöhykkeet ovat kuitenkin hieman leveämpiä kuin etelässä. Havainto selittyy sillä, että Mercatorin projektio on oikeakulmainen projektio, jossa kartta on kuvattu päiväntasaajaa sivuavan lieriön pinnalle. Tällöin mittasuhteet venyvät, kun liikutaan poispäin päiväntasaajasta.
Kuva 1: Mercator ja TM35FIN
Päätin jakaa saamani tulokset kahdeksaan luokkaan, jotta itä-länsisuuntaisuus korostuisi ja vääristymien etelä-pohjoissuuntainen kasvu erottuisi selkeämmin. Tiheän luokkajaon ansiosta kartalta voidaan huomata, että Etelä- ja Keski-Suomessa vyöhykkeet ovat keskenään yhtä leveitä, mutta Lapissa vyöhykkeet ovat etelää leveämpiä. Lisäksi valitsin kartalle laajan väriskaalan, jotta luokat erottuisivat mahdollisimman hyvin toisistaan. Luokkien väritys sinisestä punaiseen viestii vääristymän muuttuvan pienemmästä suurempaan. Sinisen ja punaisen välillä on suuri kontrasti, joka korostaa luokkien välisiä eroja.
Toisessa kartassa (kartta 2) vertailen Robinsonin projektiota ja TM35FIN-projektiota. Käytin kartassa 1. kartan tavoin jakoa kahdeksaan luokkaan, ja moniväristä väriskaalaa. Luokat näyttävät ensisilmäyksellä asettuvan molemmissa kartoissa yhtenevästi, mutta tarkemmin tarkastellessa karttojen välillä on pieniä eroja. Esimerkiksi Savonlinna kuuluu 1. kartassa toiseksi pienimmän vääristymän luokkaan, kun taas 2. kartassa kolmanneksi pienimmän vääristymän luokkaan. Molemmissa kartoissa luokat jakautuvat vertikaalisiin vyöhykkeisiin, joissa vääristymä kasvaa pohjoista kosti liikuttaessa.
Kuva 2: Robinson ja TM35FIN
Karttojen legendoja tarkastellessa voidaan huomata, että Mercatorin projektion aiheuttamat vääristymät ovat pienimmilläänkin paljon suurempia, kuin Robinsonin vääristymät. Myös Roosa Kotilainen pohtii blogitekstissään Viikko 2: Projektioiden kanssa taiteilua Robinsonin ja Mercatorin projektioiden vääristymien eroja. Hän perustelee vääristymien voimakkuuseroa blogitekstissään toteamalla:
“Robinsonin projektio on kompromissi projektio, jossa on yritetty minimoida virheet oikeapituisuuden sekä -kulmaisuuden suhteen. Kuvan 2 [Robinsonia kuvaava kartta] selitteitä tutkiessa, voi huomata miten selvästi pienempiä prosentuaalisia eroavaisuuksia kartassa on [verrattuna Mercatorin projektioon].”
Molemmissa kartoissa on käytetty samaa luokittelua, joten niiden luokkakokoja ja luokkien sijoittumista kartalla voidaan vertailla keskenään. Koska luokat ovat kooltaan ja kasvusuunnaltaan lähes samanlaisia, voidaan päätellä, että molemmissa kartoissa kasvu pienimmästä vääristymästä suurimpaan on suhteessa lähes sama.
Loppusanat
Viikon tehtävä havainnollisti hyvin sitä, kuinka suuri merkitys projektiovalinnoilla on karttatutkimusta tehdessä. En ollut aiemmin tajunnut, kuinka merkittäviä eroja ja virheitä projektoilla voidaan saada aikaan. Toisaalta viikon tehtävässä tutkimme ainoastaan pituuteen ja pinta-alaan vaikuttavia vääristymiä, jotka ovat vain osa projektiotyyppien mahdollisia ongelmallisuuksia. Vaikka Mercatorin projektio osoittautui tutkimuksessa surkeaksi pinta-alamittauksen välineeksi, sen ominaisuudet sopivat muita projektioita paremmin esimerkiksi navigointiin. Päädyin siis lopputulokseen, että projektiot ovat monimutkaisia kokonaisuuksia ja minulla on niistä vielä paljon opittavaa. 🙂
University of Helsinki
