Kiitos kuluneesta kurssista vastaavalle opettajalle Artulle sekä blogissa vierailleille mantsalaisille – kurssi oli antoisa, ja herätteli mielenkiintoa jatkamaan GIS-opintoja… katsotaan miten tulevaisuudessa käy! Opitut taidot QGississä ovat varmasti hyödyllisiä maantieteilijän elämänkaaressa, en siis aio päästää taitoja ruostumaan.
Kurssi alkoi tammikuun puolivälissä ja loppui minun osaltani tänään 23.3.2021. Päivän pituus oli kurssin alkaessa vaivaiset 6h 50min, kun tänään se on jo 12h 30min. Kesää kohden siis mennään!
Kurssikerta 7 painottui vapaavalintaiseen aineistoon ja siitä tehtävään karttaan tai karttasarjaan, jossa esillä olisi vähintään kaksi muuttujaa. Haikailin kovasti tekeväni kartan Etelä-Amerikasta, mutta löytyneet aineistot eivätkään sopineet tukemaan toisiaansa visuaalisesti. Siispä lähdin etsimään lisää aineistoja, ja päädyinkin lopulta valitsemaan tutkittavaksi alueeksi Etelämantereen! Etelämantereen reissu tulevaisuudessa on suuri haaveeni – kiehtova, viimainen paikka toisella puolella planeettaa… Aineistot löytyivät helposti yhdestä paikasta: Norsk Polar institutin sivuilta Quantartica. Paketti oli suunniteltu käytettäväksi QGIS:iin, joten sitä ei tarvinnut enää vekslata purkamisen jälkeen.
Korkokuvia ja rinnevalovarjostusta
Aineistopaketti itsessään oli massiivinen, se sisälsi lähes 4000 kohdetta. Lataus kestikin toista tuntia, monenmoista muuttujaa olisi siis ollut tarjolla. Päätin kuitenkin tarkastella lämpötilaa maanpinnalla, sekä mantereen korkeutta sekä korkeuskäyrien että vinovalovarjosteen avulla. Pientä kertailua pääsi siis taas tekemään, kun työsti esille tuotavia ominaisuuksia. Käytin paljon aikaa korkeuserojen tuomiseen lopputulokseen, mutta Hillshades-toiminnolla luotu pohja ei erotu lopputuloksesta (kuva 1) erityisen hyvin, sillä jyrkänteet sijoittuvat pääasiassa mantereen rannikkosivuille, kun taas keskiosat ovat tasaisempia alueita, jonka voikin huomata korkeuskäyrien suurista väleistä. Korkeuskäyrät kuvaavatkin lopputulosta vinovalovarjostetta paremmin. Tiesitkö että mantereen korkein kohta, Vinsovin massiivi yltää lähes 5000 metriin? En minäkään, jostain syystä luontodokumenttien Etelämantereesta antama kuva on mielessäni matala. Korkeuserot korreloivat suhteellisen hyvin lämpötilojen kanssa. Etelämanner on perinteisesti jaettu läntiseen ja itäiseen puoleen, lopputuloksesta nähdään, että itäisempi puoli on lämpötilaltaan matalampi. Eikä ole pingujenkaan elämää helpoksi tehty – pakkasen viima puhaltaa lämpötilan paikoitellen jopa -60 °C asteeseen.
Kuva 1: Etelämantereen ilman lämpötila ja korkeuskäyrät
Pinguja ja jäätikön sulantaa
Maailman yksi kookkaimmista lintulajeista on keisaripingviini. Keisaripingviinejä tavataan vain Etelämantereella, joka kertookin lajin sopeutumiskyvystä. Etelänavan seutuvilla asuu muitakin harvinaisempia lintulajeja, kuten jättiläisalbatrosseja. Näillä linnuille ja merieläimille suurin uhka on ilmaston lämpeneminen. Vaikka merijään on raportoitu kasvavan osissa mannerta nopeammin kuin jään sulavan, sulava merijää haastaa lintujen pesimäalueiden säilymistä kelvollisina. Koska muutokset ovat nopeita, voi lintukannat romahtaa lyhyelläkin aikavälillä. Tämän vuoksi halusin tarkastella myös jään sulantaa sekä keisaripingviini populaatioiden kokoa ja sijoittumista. Kuvasta 2 nähdään, että keisaripingviinit ovat sijoittuneet rannikoille. Suurimmat populaatiot näyttävät sijoittuvan Weddelin ja Rossin merien lahtiin. Jäätikön sulaminen oli vuosivauhdilla voimakkainta Argentiinan suuntaan johtavalla Etelämantereen niemellä. Kuten kuvasta nähdään, sulamista on kuitenkin tapahtunut laajoilla alueilla (huomaa mittakaava), joka kertoo Etelämantereen kriittisestä tilanteesta.
Kuva 2: Keisaripingviinipopulaatiot ja jäätikön sulaminen
Veetin blogissa oli tutkittu New Yorkin aluetta, ja toteutettu karttoja eri etnisten ryhmien sijoittumisesta kaupungin sisällä, miten mielenkiintoista! Kurssin peruspuitteet ovat tarjonneet mahdollisuuden esittää tietoa niin kohteen sisällä kuin sen ulkopuolella. Martta oli niin ikään keskittynyt paikallisiin ilmiöihin, ja esitti blogissaan eri karttoja Suomen kasvihuonepäästöistä! Harvemmin tulee ajateltua päästöjen jakautumista Suomesta, sillä usein ajattelee Suomen vain yhtenä kokonaisuutena. Suosittelenkin kurkkaamaan Martan blogin. Saaran blogissa kartat keskittyivät pian ajankohtaisena oleviin vaaleihin, kuntavaaleihin. Kartoissa esitettiin kuntien eniten ääniä saaneet puolueet kunnittain.
Tänä aamuna piti kaivaa HAI-saappaat kaapista ja lähteä ulkoreissulle keräämään dataa kaupunkiymäristön viihtyisyydestä. Kumisaappaat olivat loistava valinta, jokseenkin välillä ajattelin että melkein luistimillakin olisi pärjännyt. Aamulla lämpötila oli hieman nollan yläpuolella, en antanut liikkumisolosuhteiden haitata, vaan keskityin tulevan kevään ja kesän valoisuuden tuomaan hyvään oloon.
Epicollect5 kokeilussa
Tarkoitus oli kerätä Epicollect5-sovelluksella lähiympäristön paikkoja, jotka koki viihtyisiksi tai epäviihtyisiksi. Datan keräyksen jälkeen se ladattiin käytettäväksi .csv tiedostoon, jollaisena se tuotiin QGIS:iin. Tällä kertaa tutustuimme interpolointiin. Interpoloinnissa esitetään havaintopisteiden perusteella jotain ilmiötä havaintopistejoukon sisällä, jolloin ilmiölle annettu arvo muuttuu havaintopisteestä pois suunnatessa aina asteittain. Tässä harjoituksessa kävin kahdeksassa eri kohteessa Helsingin Laajasalossa. Määrittelin jokaiselle kohteelle arvion skaalalla 1-5, millainen viihtyvyys kyseisessä paikassa oli. Lopputuloksesta (kuva 1) nähdään, miten viihtyvyys alueella jakaantuu. Kartalla esiintyy yksi epäviihtyinen alue ja viihtyisiä alueita. Omien havaintopisteiden välille on syntynyt satunnaisia arvoja, jotka itseasiassa vaihteli hieman alkuperäisistä havaintoluokista. Jos havaintoluokka oli esimerkiksi 2, saattoi taulukossa näkyä kohteella arvo 2,03. Pikselien arvot eivät mene siis aivan yksi yhteen omien valintojen kanssa.
Kuva 1: Laajasalon viihtyisyys
Harjoituksen perusteella voisi todeta, että tämäntyyppistä interpolointia kannattaa tehdä vain alueille, joihin on määritetty pistearvoja. Jos esimerkiksi esittäisin koko Laajasaloa, mutta minulla olisi määriteltyjä havaintoarvoja vain 800m x 800m alueella, olisi visuaalinen lopputulos hyvin vääristävä.
Maanjäristyksiä ja tulivuoria globaalissa mittakaavassa
Toisena harjoituksena oli tutustua meteoriitti-, tulivuori- ja maanjäristyskarttoihin, ja toteuttaa niitä apuna käyttäen karttoja, jotka kuvaisivat mahdollisimman hyvin mannerlaattojen sijaintia ja vaikutusta. Tarkoitus oli visualisoida karttoja, jotka kelpaisisivat sellaisenaan esimerkiksi opetuskäyttöön. Esitin tietokannat tulivuorista ja maanjäristyksistä, sillä arvioin niiden muodostavan helposti tulkittavan kokonaisuuden. Esitettävä ajanjakso on 1800-2020, jotta se kattaisi merkittäviäkin järistyksiä. Halusin esitettävien maanjäristysten olevan intensiteetiltään voimakkaita. Valitsin rajaksi magnitudin 7 ylittävät maanjäristyksen. Helsingin Yliopiston Seismologian instituutti määrittelee magnitudin 7 järistykset vahingollisiksi ja kaaosta aiheuttaviksi. Lopputuloksesta (kuva 2) nähdään, että maanjäristyksiä esiintyy kaikkialla mannerlaattojen törmäys- ja erkanemisvyöhykkeissä, mutta tulivuoria erityisesti Tyynen meren seutuvilla. Vulkaanista toimintaa selittää sijainti subduktiovyöhykkeellä. National Geographicin sivuilla kerrotaankin, että 75% kaikista maailman tulivuorista sijaitsee tällä Tyynen meren tulirenkaaksi kutsutulla alueella.
Kuva 2: Tulivuorenpurkaukset ja maanjäristykset vuodesta 1800 lähtien. Lähde: NOAA, USGS
Koska maanjäristykset ovat kaikessa kamaluudessaan hyvin kiehtovia ilmiöitä, halusin mallintaa maanjäristysten voimakkuuksia kartalla. Kuvan 3 karttaan olen koonnut maanjäristyskohteita, ja erotellut ne väriryhmiin voimakkuuksiensa puolesta. Maanjäristysten intensiteetit ovat esitetty Richterin asteikon mukaisilla voimakkuuksilla. Kuvasta nähdään kuinka kuluneen kuukauden aikana (25.1-25.2) on tapahtunut vain muutama voimakkaampi maanjäristys. Sen sijaan pieniä maanjäristyksiä on tapahtunut runsaasti, erityisesti Yhdysvaltojen Länsi- ja Luoteisosissa sekä Alaskan suunnilla.
Kuva 3: Maanjärjestykset Richterin asteikolla (edelliset 30 päivää) Lähde: USGS
Kahden henkilön otannalla järjestin pienen kyselyn. Esittelin aikaansaamiani väkerryksiä ja kysyin mitä he niistä ymmärsivät. Kyselyn tulokset kertovat, että kartat ovat luettavia ja niistä ymmärtää esimerkiksi tektonisten laattojen rajat. Jes! En mennyt siis täysin mönkään. Koska oppiminen on parasta muiden esityksiä katsomalla, kurkistelin muiden kurssilaisten blogeihin. Noora oli blogissaan tehnyt kolme kappaleen aikasarjan, jossa oli kuvattu tulivuori- ja maanjäristystoimintaa viiden vuoden jaksoissa. Nämä jaksot mallinsivat hienosti, minkälaista lyhyen ajan vaihtelua eri alueilla tapahtui. Liisa puolestaan esitti blogissaan tulirenkaan alueelle sijoittuvan Kaakkois- ja Länsi-Aasian tulivuoritoimintaa, jotka nekin kuvasivat hyvin paikallista vaihtelua.
Vielä olisi edessä yksi kurssikerta, ja sitten alkaisikin pieni loma! Tai siis mikä loma? Ei sellaisia ole olemassakaan – varsinkaan nyt. Kaikki peruttu, mutta onneksi saa aina haaveilla! Ps. Haaveilu on mun lempi harrastus.
Lähteet:
National Geographic, encyclopedia. Luettu 26.2.2021
Kurssikerran viisi tarkoituksena oli kerrata aiemmin opittua eri harjoitusten kautta, tällä kertaa täysin itsenäisesti. Harjoituslistaa katsastaessa kauhistelin ja fiilis oli hieman luokkaa: “Hä, siis miten tämä tehtiinkään.” Lähdin työstämään harjoituksia avaamalla aiempien kurssikertojen harjoitusoppaat. Niistä irtosi hieman tukea, mutta vastaan tuli myös ongelmia, joihin aiemmin en ollut törmännyt.
Bufferointia Vantaalla
Ensimmäisessä harjoituksessa tutkailtiin Vantaan aluetta. Kartalle piirrettiin muutama polygoni kuvaamaan Malmin ja Helsinki-Vantaan lentokenttää. Polygonien päälle bufferoitiin vyöhykkeet (1000m ja 2000m), ja tutkailtiin kuinka monta asukasta vyöhykkeiden alle jäi. En ottanut työvaiheista kuvatallenteita, mutta Julianan blogista nähdään, miltä bufferi toiminto kartalla loppupeleissä näytti. Harjoitus alkoi skulaamaan kohta luisevasti, kun hoksasin käyttää select by location/value– toimintoa, ja sen jälkeen tallentamaan valitut kohteet omaksi tietokannakseen, jolloin tietoja pystyi kätevästi tarkastelemaan statistics-paneelista. Helppoa! Kurssilaisten saamissa tuloksissa esiintyy pientä vaihtelua, joka johtunee siitä, että polygonit/viivat piirrettiin käsin.
Taulukko 1: Taulukointia Vantaalta
Epäkelpoa geometriaa
Vantaan tarkastelun jälkeen päätin lähteä katsastelemaan uima-altaiden määrää pääkaupunkiseudulla- ja niitähän riitti! Uima-altaat rakennuksissa oli trendi 1970-luvun Suomessa, selviää Ylen artikkelissa “Ovatko vanhat uima-altaat vielä luksusta? “On harhaluuloa, että käyttö on kallista””. Nyt päästiin tutustumaan, montako näistä altaista oli vielä elävien kirjoissa. Ehdin jo muutamaan kertaan turhautua, kun kahden tietokannan yhdistäminen ei millään malttanut toimia. Pohjakartta herjasi erroria “kartalla on epäkelpoa geometriaa”. Lopulta ratkaisu löytyi fix geometries komennolla, joka löytyi processing toolbox hausta. Kurssilaisista myös muut kohtasivat saman ongelman. Ilari löysi myös toisen väylän korjata virhe, joka oli valita asetuksista “ignore features with invalid geometries”. Suosittelenkin kokeilemaan jompaa kumpaa, jos törmäätte samaiseen ongelmaan!
Kuva 1: Uima-altaisten rakennuksien jakautuminen pääkaupunkiseudulla.
Harjoituskerran haastavimpana osuutena oli visualisoida uima-altaiden määrä kartalle, josta apua löytyi QGIS:in käsikirjasta. Tekstin pylvään viereen sai Labels-kohdasta.
Harjoituskerralla tuli kerrattua ainakin seuraavia toimintoja:
-Select by location
-Select by value
-Counts points in polygon
-Joins
-Join attributes by location
-Field calculator
-Fix geometries
-Buffer
-Temporary scratch layer
Kurssi on tähänastisista haasteista huolimatta ollut palkitsevaa! Eri toimintojen käytön oppiminen ja niiden kertaaminen on tuottanut “ahaa” elämyksiä. Tärkeintä kurssissa ei ole ollut pelkästään oikeiden tulosten saaminen, vaan kyky ymmärtää, miten tietoa voidaan esittää avoimen lähdekoodin palvelulla yksinkertaisesti. On ollut myös tärkeää etsiä itse tietoa eri foorumeilta ja oppaista, jolloin törmää jouhevasti myös salaisiin lisäominaisuuksiin. Mukavaa.
Kurssikerta 4 johdatteli tuottamaan ruutukarttoja ja prosessoimaan rasteriaineistoja.
Pääkaupunkiseudun väestötietokannan tarkastelua
Ensimmäisessä harjoituksessa tutkimme pääkaupunkiseudulla tapahtuvaa alueellista jakautumista ruutukarttojen avulla. Oma työni tökkäsi heti alkujaansa, sillä suuri pks-väki aineisto ei auennut oletutulla tavalla: atribuuttitaulukossa rivit (94594kpl) näkyivät, mutta sarakkeet olivat tyhjiä. Ja minä pohdin ja pohdin, tuskaisia öitä vietin ja koitin pähkäillä mikä ongelmana oli. Ja sitten päädyin Microsoftin tukisivustolle, josta oikea vastaus löytyi. Olin huolimattomasti ladannut aineistopaketista vain yhden osan, enkä koko kurssikerran aineistopakettia kokonaan, jolloin vain alle 25MB suuruiset aineistot latautuivat oikealla tavalla. Asia korjaantui lataamalla koko harjoituskerran aineistopaketin uudestaan.
Tehtävä suoritettiin lisäämällä ruudukko kartalle. Tämä ominaisuus löytyi paikasta Vector – Research tools – Create a grid. Ruudukon valinnassa pystyi valitsemaan, kuinka suuria ruutuja halusi käytettävän. Päädyin käyttämään 1km x 1km ruudukkoa, sillä kuvattava alue oli suhteellisen laaja, jolloin neliökilometrin ruudut pystyivät esittämään aineistoa hyvin. Valitsin ruudukkooni neliömuotoisen ruudukon, mutta valittavana olisi ollut myös esimerkiksi kuusikulmio, jota käytti Helmi blogissaan. (Lappalainen-Imbert, H. 2021) Kuusikulmio tuo kivaa visuaalista twistiä muuten yksinkertaiseen työhön. Select by location – ominaisuudella ruudukon sai rajattua vain alueelle, jota haluttu aineisto koski. Näin pystyttiin keventämään kartalla olevaa dataa, jolloin ohjelmistokin pelitti kevyemmin. Join attributes by location yhdisti halutut aineistot yhteen. Tämä toiminto teki kartasta esteettisemmän näköisen.
Päätin treenata hieman aiemmin opittua ja käytin harjoituksessa aiemmilla kurssikerroilla tutuksi tullutta field calculator toimintoa, jolla pystyi laskemaan esiintyvyyden suhteellisen osuuden. Tein ruutukartan esittämään muunkielisen väestön määrää niin suhteellisena kuin absoluuttisenakin.
Kuva 1: Muunkielisen väestön suhteellinen osuus 1km x 1km ruuduissa pääkaupunkiseudulla(%)
Kuvasta 1 nähdään muunkielisen väestön osuus suhteessa kokonaisväkilukuun ruudussa. Kartasta erottuu kolme ruutua, joiden alueella muunkielisen väestön osuus yli 66%. Tämä kartta sai silmäni pyörähtämään muutaman kerran, mutta tosiasiassa suhteellinen määrä kertoo vain suhdetta. Jos ruudulla asuu kymmenen henkilöä, joista seitsemän on sattumalta muunkielisiä, se saattaa hetkellisesti vääristää kartasta syntyvää kuvaa. Sen vuoksi tein myös kartan (kuva 2), joka kuvaa muunkielisen väestön absoluuttista määrää. Absoluuttinen määrä kertoo paremmin, mille alueille muunkieliset ovat sijoittuneet. Aino kuvasi blogissaan (Schulz, 2021) ulkomaalaisten määrää ruutukartassa. Ulkomaalaisten ja muunkielisten sijoittuminen kartalla näyttänee hyvin samalta. Suosituin luokitteluväli oli vihreän värinen 4,2-11,3% luokka.
Kuva 2: Muunkielisen väestön absoluuttinen määrä 1km x 1km ruuduissa pääkaupunkiseudulla
Ruutukartat ovat oivallisia tapoja välittää tietoa kartan muodossa, kun halutaan kuvata eroja pienissäkin mittakaavoissa. Koropleettikartat sopivat paremmin esittämiseen, kun aineisto voidaan jakaa hallinnollisen tai maantieteellisen ominaisuuden vuoksi eri luokkiin, esimerkiksi kuntiin.
Halusin kokeilla käyttää pienempää ruutukokoa. Tarkastelin Kulosaari-Mustikkamaan asutuksen jakautumista 100m x 100m ruutukoolla. Pienellä ruutukoolla pystyy helposti tarkastelemaan pienempiä kohteita. Kuvassa 3 voidaan havaita selvä saarta poikkileikkaava asumaton alue, joka selittyykin saarta halkovalla auto- ja metrokaistalla.
Pornaisten korkokuvan visualisointia
Kurssin toisessa harjoituksessa editoimme Pornaisten alueen peruskarttalehteä (kuva 4 & 5). Editoinnin tueksi käytimme neliosaista korkeusmalliaineistoa, joka saatiin sulavaksi kokonaisuudeksi Virtual Raster toiminnolla. Lisäsimme karttalehteen Contour ja Hillshade toiminnolla käyriä ja rinnevarjostuksia, jolloin karttalehden kolmiuloitteisuutta saatiin esille. Korkeuskäyrien ja varjostuksien muokkausominaisuudet mahdollistivat tekemään tarkemman karttalehden, kuin peruskarttalehti on. QGIS:in toiminnoilla saa helposti korostettua tai häivytettyä haluamia yksityiskohtia. Harjoitus oli alustus seuraavan kurssikerran työlle.
Kuva 4: Pornaisten alueen peruskarttalehti rinnevarjostuksella ja korkeuskäyrilläKuva 5: Pornaisten keskusta lähietäisyydellä
Ainon kurssiblogi, Schulz, A. Viitattu 21.2.2021
https://blogs.helsinki.fi/scsc/
Helmin kurssiblogi, Lappalainen-Imbert, H. Viitattu 21.2.2021
Viikon 3 luentokerta keskittyi Afrikan mantereen tutkailuun. Käsittelimme muunmuassa aineistoja, jotka sisälsivät tietoa Afrikan alueen konfikteista, timanteista, öljykentistä sekä internetin käytöstä. Luentokerran teknisyys painottui tällä kertaa aineistojen tuontiin muusta tiedostomuodosta, jolloin muutimme excelissä tietokantaa oikeanlaiseksi. Lisäksi harjoittelimme tietokantojen yhdistämistä. Eri tasot sisältävät omat tietokantansa, ja niitä vertaillaksemme, täytyi tietokannan tietoja kopioida toisesta toiseen. Tämä tapahtui Joins toiminnon avulla. Joins toiminnon käyttö vaati minulta usean yrityksen. En ollut täysin varma, mitkä tietokannoista tuli yhdistää, sillä vaihtoehtoja oli useissa sarakkeissa samanlaisia. Tämän lisäksi QGIS päätti kaatua kolmisen kertaa, ennen kuin pääsin etenemään tästä vaiheesta. Esitimme tietoa polygoni- ja pistetoiminnolla, jolloin tiedon esittäminen selkeentyi huomattavasti.
Kuva 1: Timanttilöydyt ja konfliktit
Kuvaan 1 olen yhdistänyt eri tavalla tietoa; polygoneilla ja pisteillä. Valitsin tämän tutkiskeluparin, sillä ajattelin timanttikaivosten ja konfliktien välillä olevan yhteys, ja onhan niillä, sillä esimerksi timanttikauppa on rahoittanut sisällissotia Sierra Leonessa, Liberiassa, Angolassa ja Kongon demokraattisessa tasavallassa. (Lähde: Britannica.fi) Ja kuten Jasmin Johansson osuvasti blogissaan totesi maantiede ja konfliktit kytkeytyvät kiinteästi toisiinsa. Kuvasta nähdään, että konfliktottomia alueita ovat mm. Libya, Mauritania, Tansania ja Zambia kun taas eniten konflikteja on tapahtunut Etiopiassa, Algeriassa ja Chadissa. Timanttilöydöt painottuvat Saharan etelän puoleiseen mantereeseen.
Kotiharjoituksena oli tehdä kartta Suomen tulvaindeksistä ja liittää siihen myös Järvisyys-tietokanta. Tulvaindeksi saatiin selvitettyä jakamalla keskiylivirtaama keskialivirtaamalla. Tuotettu teemakartta (kuva 2) esittää, kuinka tulvaindeksi on suurin maan länsi- ja eteläosissa, merta sivuavissa maan osissa. Järvisyysprosentin esittäminen osoittautui hankalaksi, en onnistunut lisäämään siihen lukuja. Pallon suuruus kuvaa kuitenkin järvisyyttä suhteellisen hyvin, sillä se esittää ominaisuuden suhteellista määrää. Tulvaindeksillä on selvä yhteys järvisyyteen, alueilla joissa tulvii paljon, ei ole myöskään paljoa järviä tasaamassa niiden virtaushuippuja. Etelä- ja Keski-Pohjanmaa ovat esimerkkejä tulvatasangoista eli alueista, joissa jokien juoksut sijaitsevat tasangoilla.
Kuva 2: Suomen tulvaindeksi ja järvisyysprosentti
Muita kurssiblogeja selaillessa, Miljan blogissa esitetty kartta internetin käyttäjien osuudesta osoittautui mielenkiintoiseksi, sillä kuten lopputuloksesta näkee, käyttöaste on hyvin jakautunutta mantereen sisällä. Suosittelenkin kurkkaamaan Miljan blogin.
Kurssin toisella viikolla jatkoimme QGIS-ohjelman käyttöä. Tällä kertaa fokus oli projektioissa ja niiden aiheuttamissa eroissa ja vääristymissä karttojen tulkinnassa ja esittämisessä. Harjoitustöissä käytettiin samoja toimintoja kuin edelliselläkin harjoituskerralla: attribuuttitauluja sekä laskimen käyttöä ja uusien tasojen luomista. Harjoituskerralla 2 tehtiin jälleen koropleettikarttoja, joissa vertailtiin eri projektioiden aiheuttamaa vääristymää Suomen kuntien pinta-aloihin. Harjoituskerralla 1 ehdinkin hieman vertailla korkeakoulutettujen jakautumista eri projektioissa, joten harjoituskerta 2 tuntui jo helpommalta taustapohdintojen jälkeen. Toisto osoittautui taas parhaaksi tavaksi oppia ja painaa asioita mieleen. Tein monta eri vertailevaa karttaa ja toistin ohjenuoraa useaan otteeseen.
Projektiot vertailuissa
Aluksi tein vertailua projektioista taulukon avulla, jonne kokosin kahden paikan välisen etäisyyden eri projektioissa. Tämän lisäksi kokosin taulukkoon yhden alueen muodostamaa pinta-alaa eri projektioissa. Lopuksi vertailin perinteisesti käsin laskemalla, miten eri projektiot erosivat Suomessa yleisesti käytetyn ETRS_TM35FIN tasokoordinaattijärjestelmän etäisyyksistä ja pinta-aloista. QGIS tarjosi mahdollisuuden mitata etäisyyksiä ja pinta-aloja kahdella pinnalla; ellipsoidilla ja karteesisella. Taulukoinnista erottui selkeästi yksi selvä ero; ellipsoidin pinnalla etäisyydet pysyivät samoina ja pinta-alat lähes samoina, kun taas karteesisella pinnalla etäisyydet ja pinta-alat muuttuivat projektioita vaihdettaessa.
Taulukko 1: Projektioiden etäisyyksien ja pinta-alojen vertailua kaarevalla ja tasaisella pinnalla
Taulukosta 1 nähdään, kuinka ellipsoidin pinnalla etäisyydet ja pinta-alat pysyvät lähes samoina. Ellipsoidin pinta on kaareva, kun taas karteesinen pinta on tasainen. Kaksiulotteisella, tasaisella pinnalla esitetty kartta pakostikin vääristää jotain maapallon todellista ominaisuutta (etäisyyttä, pinta-alaa tai muotoa). Sen sijaan kaarevalla pinnalla etäisyydet ja pinta-alat pysyvät lähes muuttumattomina, sillä se kuvaa parhaiten maapallon muotoa, eli litistynyttä geoidia (ellipsoidi ei siis ole aivan täydellinen versio maapallon muodosta, jonka vuoksi pienet erot ovat mahdollisia).
Taulukko 2 Projektioiden etäisyyksien ja pinta-alojen vertailua ETRS_TM35FIN projektioon
Taulukossa 2 nähdään kuinka suuri prosentuaalinen ero eri projektioiden etäisyyksillä ja pinta-aloilla on verrattuna ETRS_TM35FIN projektioon. Esimerkiksi Mercatorin projektiossa pinta-ala on yli 8 kertainen, kun taas Robinsonin projektiossa se on vain 1,4 kertainen. Näiden lukujen saattelemana lähdettiin tekemään karttaa Suomen kunnista ja eri projektioiden aiheuttamasta vääristymästä niihin.
Mercator vs ETRS-TM35FIN
Kuva 1: Mercator projektion pinta-ala verrattuna ETRS_TM35FIN projektioon’
Kuvassa 1 Mercator projektion pinta-alaa verrataan ETRS_TM35FIN projektioon. Mercator on lieriömuotoinen projektio, jonka sivuamispiste on päiväntasaajalla, jolloin projektion aiheuttama virhe kasvaa mitä kauemmaksi päiväntasaajalta mennään. Jopa Suomen mittakaavassa muutos näkyy vyöhykkeellisesti. Etelä-Suomessa pinta-alan vääristymä on kolminkertainen, kun Pohjois-Suomessa se on jo kahdeksankertainen. Vääristymä korostuu kuntajaossa hyvin, koska pohjoisessa kunnat isompia ja näin ollen virheetkin näkyy isompana.
Van der Grinten vs ETRS-TM35FIN
Kuva 2: Van Der Grinten projektion vertailua ETRS_TM35FIN projektioon. Luokkia 8kpl.
Kuvan 2 vertailussa mukana oli Van Der Grintenin projektio, joka kuvaa maapallon ympyrän muotoisena. Projektio vääristää eniten napa-alueita, mutta kuten kuvasta nähdään, vääristymä Suomen alueella on keskimäärin kaksin tai kolmin kertainen. Jos verrataan kuvan 1 ja 2 karttoja, nähdään että luokkia molemmissa on yhtä monta, mutta erot luokkaväleissä ovat huomattavia (vääristymän ero jopa 5kertainen)
Kuva 3: Van Der Grinten projektion vertailua ETRS_TM35FIN projektioon. Luokkia 4kpl.
Kuvan 3 kartassa on niin ikään kuvattuna myös Van Der Grintenin projektio verrattuna ETRS_TM35FIN projektioon sillä erolla, että kartan vääristymät ovat jaettu vain neljään luokkaan. Luokkien vähäisyys lisää kuvaa vääristymästä, joten tässä yhteydessä kartan tulkintaa helpottaa useampi luokkamäärä.
Viikon 2 harjoitus paitsi tutustutti käyttämään paikkatieto-ohjelmistoa, myös harjoitti kriittiseen medialukutaitoon. Kuten Rasmus blogissaan hyvin totesi, projektiot saattavat antaa väärän kuvan aineistosta, ellei informaatiota tarkastele kriittisesti. Käytettävät projektiot voivat olla vallan käytön pelinappuloita, mutta parhaimillaan esittää kuvattavat kohteet laadukkaasti. Iiriksen blogissa vertailuun oltiin otettu Winkel Tripel projektion lisäksi Gallin projektio, joka niinikään aiheuttaa suurta vääristymää pohjoisilla alueilla.
Lähteet:
Sohlman, R . Rasmuksen kurssiblogi. Viitattu 2.2.2021
Tämä blogi toimii julkaisualustana kurssin MAA-202 Geoinformatiikan menetelmät töille. Kurssi yhdistelee niin teknisiä, visuaalisia kuin teoreettisiakin taitoja ja niitä olisi tarkoitus esitellä tässä blogissa harjoitustöiden kautta 2021 kevät lukukauden aikana, periodissa kolme. Koska koronapandemian aiheuttamien kokoontumisrajoitusten vuoksi yliopisto on suljettuna, järjestetään koko kurssi etänä Zoomin välityksellä.
Tutustumista QGIS:iin
Ensimmäisellä kurssikerralla tutustuttiin QGIS ohjelman käyttöön. QGIS on avoimen lähdekoodin paikkatieto-ohjelmisto, joka tarjoaa kattavan ohjelman datan esittämiseen, muokkaukseen ja analysointiin. Minulla on hataria muistikuvia QGIS:in käytöstä lukiossa, mutta ohjelmiston käyttö tuntui täysin uudelta. Tutustuimme luennolla ohjelmiston perusominaisuuksiin ja työkaluihin, kuten attribuuttitaulukon käyttöön ja laskimeen. Teimme koropleettikartan Itämeren alueen typpipäästöistä valtioittain. Käyttö sujui muuten hyvin, mutta ohjelmisto jumitti aika ajoin hieman. Lopulta päädyin katsomaan tallennoidun luennon uudelleen, jotta pääsisin mukaan vaiheisiin. Karttaelementtien, kuten legendan ja mittakaavan lisäys sujui kepeämmin kuin aiemmin muilla kursseilla käytetyssä CorelDraw ohjelmassa. Sen sijaan objektien liikuttaminen oli haastavampaa QGIS ohjelmassa kuin CorelDrawissa. Lopputulos näkyy kuvassa 1. Kuvasta näkee, että värivalinnat olisivat voineet olla parempia.
Kuva 1 Koropleettikartta Itämeren alueen typpipäästöistä valtioittain (%) Projektio: ETRS89 Europe
Koropleettikarttoja Suomesta
Ensimmäisen luennon jälkeen tehtiin kotona Harjoitus 1, jossa tehtävänä oli tehdä koropleettikartta jostain ominaisuudesta Suomen kunnissa Suomen kuntien tietokannan pohjalta. Valitsin tarkasteltavaksi kohteeksi korkeakoulutettujen prosentuaalisen määrän koko kunnan väestöstä. Kuva 2 esittää lopputulosta. Kuvassa nähdään, että kunnat, joissa on suhteellisesti eniten korkeakoulutettuja, sijaitsevat pääasiassa yliopistokaupungeissa. Helsinki, Turku. Tampere, Jyväskylä, Vaasa, Kuopio, Oulu ja Rovaniemi erottuvat alueina, joissa korkeakoulutettujen osuus kunnan väestöstä oli yli 28,2%. Teemakartalta voidaan analysoida, että Suomessa alueellinen eriytyminen on suhteellisen voimakasta ja huolestuttavaa. Tämä nostattaa myös kysymyksen siitä, tarjotaanko Suomessa riittävän laajalla alueella korkeakoulutusta vai asettaako yliopistojen suppea jakautuminen eriarvoisuutta kuntien välillä.
Kuva 2 Koropleettikartta korkeakoulutettujen prosentuaalisesta määrästä kunnittain (%) ETRS-TM35FIN
Huomasin tarkastellessani, että valittu projektio vaikuttaa koropleettikartan antamaan loppukuvaan. Kuvan 2 kartassa projektiona on ETRS_TM35FIN, kun taas kuvan 3 kartassa projektiona on Mercatorin projektio. Vertailemalla näitä kahta projektiota voidaan huomata, että projektiot vääristelevät pinta-aloja. Pohjois-Suomi, jossa korkeakoulutettuja on keskimääräisesti Etelä-Suomea vähemmän, erottuu matalan korkeakoulutustason alueena entistä voimakkaammin ja Etelä-Suomen korkean koulutustason kunnat erottuvat huonommin.
Kuva 3 Koropleettikartta korkeakoulutettujen prosentuaalisesta määrästä kunnittain (%) Projektio: Mercator
Muiden kurssilaisten blogeihin tutustuessani huomasin Nooran blogin, jossa Noora oli tehnyt koropleettikartan Suomen väestöntiheydestä (Peräniemi 2021). Väestöntiheyttä kuvaava teemakartta esitti väestötiheiksi alueiksi hyvin samanlaiset alueet kuin minun korkeakoulutettuja kuvaava kartta esitti korkeasti koulutettujen prosentuaalisen määrän. Tästä voidaan päätellä, että väestötiheissä kunnissa korkeakoulutettujen määrä on keskimääräistä suurempi. Inkan blogissa Suomen kartalla oltiin puolestaan esitetty työttömyyttä – jonka jakautuminen on sekin mielenkiintoista.
Lähteet:
Peräniemi, N. Nooran blogisivusto (2021). Viitattu 29.1.2021
