smiina’s blog

Viimeisellä kurssikerralla oli tehtävänä tehdä kartta vapaavalintaisesta aiheesta ja myös etsiä karttaan tarvittava aineisto itse. Koska kartta sai olla myös jotakin muuta kurssia varten käyttökelpoinen, tiesin heti aiheeni. Olen tekemässä gradua lepakoiden lehtopöllöihin kohdistuvista antipredaatiovasteista, joten halusin kuvata tutkimuslajieni levinneisyydet samalla kartalla.

Aineistoa hakiessani mietin, haluaisinko yksinkertaisesti yhdistää levinneisyyskarttoja. Totesin kuitenkin lopulta, että haluaisin koordinaattitietoja, joita voisin mahdollisesti käsitellä enemmän. Niinpä hain lajeista havaintodataa. Ennen kurssikertaa latasin havaintoaineistot lehtopöllöstä, pohjanlepakosta, korvayököstä, vesisiipasta, viiksisiipasta ja isoviiksisiipasta Global Biodiversity Information Facility -sivustolta (https://www.gbif.org/). Suomen pohjakartan löytäminen olikin huomattavasti vaikeampaa – löysin eri kokoisia ruutuaineistoja, mutten yksinkertaista karttaa. Päädyinkin käyttämään pohjakarttanani yhtä aiempien kurssikertojen Suomi-karttaa. Pohjakartan vaikeuden löytämisen oli huomannut myös Pihla Haapalo.

Maanantaina aloinkin reippaasti työstää karttaani: csv-tiedostojen tuomien QGISiin sujui helposti ja havaintopisteet näkyivät kartalla hyvin. Koska lehtopöllöhavaintoja oli lähes 70 000 päätin, että ne kannattaisi esittää mieluummin havaintotiheyksinä kuin pisteinä. Tässä vaiheessa Arttu kuitenkin huomasi havaintopisteiden erikoisen sijoittumisen ja pysähdyin itsekin pohtimaan aineistoni laatua. Lopputulos: vanhat aineistot pois ja uudet tilalle. Tällä kertaa hain havaintoaineistoni laji.fi -sivustolta, joka kerää havaintoja vain Suomesta, toisin kuin maailmanlaajuinen GBIF. Aineiston lataamisessa oli kuitenkin muutamia haasteita; havaintoja pystyi lataamaan vain 10 000 per laji, joten hain tiedot vain ajalta 1.1.2010-24.2.2020. Toisekseen valmiiksi ladattavissa olevat versiot eivät sisältäneet koordinaattitietoja. Onneksi pystyin Helsingin yliopiston opiskelijana tilaamaan sähköpostiini erilliset latauslinkit. Nämä aineistot piti myös käyttää Excelin kautta ja tallentaa siellä csv-tiedostoiksi, jotta sain ne vietyä QGISiin. Uudet aineistot näyttivät paremmilta ja olivat lepakkojen osalta myös kattavampia, joten pääsin vihdoinkin tekemään karttojani.

Pysyin edelleen päätöksessäni kuvata lehtopöllöjen esiintymistä suhteutettuna pinta-alaan, joten aloitin tekemällä koko Suomen kattavan ruudukon koossa 10km x 10km. Pelkäsin, että pienempi ruudukko jumittaisi koneen ja olisi vaikeasti luettava. Seurasin edellisten kurssikertojen ohjeita ja poistin ruudut, joilla ei ollut pöllöjä. Tämän jälkeen laskin lehtopöllöhavaintopisteiden määrän Count points in polygon -toiminnolla ja kuvasin eri määrät eri värisillä ruuduilla (kuva 1). Kartta on mielestäni varsin onnistunut ja selkeä, mutta sitä lukiessa on syytä muistaa, mitä se esittää: havaintoja. Kartta ei siis kuvaa esimerkiksi yksilöiden määrää ruudulla – sama pöllö on voitu havaita useasti 10 vuoden aikana hieman eri paikoissa. Tämä on myös hyvin todennäköistä, koska lehtopöllöt ovat reviiriuskollisia ja sama pari pesii samalla paikalla toisen kuolemaan asti, jos pöllöjä tai ympäristöä ei häiritä. Tästä huolimatta kartta kuvaa selkeää trendiä lehtopöllön levinneisyydessä, joka sijoittuu Etelä-Suomeen. Lajin yleisyyden toteamien on kuitenkin vaikeampaa. Lehtopöllö näyttää olevan yleisin suurten kaupunkien läheisyydessä, mutta havaintoihin perustuvassa aineistossa on syytä ottaa huomioon, että havaintoja on eniten siellä, missä on paljon havainnoijia. Lopulta kuvasin lepakko- ja pöllöhavainnot samalla kartalla (kuva 2). Tämä kartta on hieman sekavampi, koska halusin kaikki lepakkolajit samalle kartalle. Yritin säätää pisteiden koon niin, että ne eivät peittäisi toisiaan mutta eivät myöskään kutistuisi liikaa. Lopputuloksena syntynyt kartta on kuitenkin se, minkä päätin edellisenä iltana tehdä, jee! Kartalta voidaan nähdä, että lepakoita ja pöllöjä esiintyy samoilla alueilla. Ehkäpä, kun olen löytänyt tulevan kesän havaintopaikkani, voisin tehdä vastaavan kartan uudestaan keskittyen mittauspisteisiini?

Koska ensimmäisen kartan tekeminen oli sujunut niin hyvin, päätin vielä kuvata lepakoiden lajirikkautta kartalla: kuinka montaa eri lajia on havaittu yhdellä ruudulla? Tämä oli hieman odotettua hankalampaa ja hermot alkoivat taas kiristyä. Tällä kertaa syyllisenä ei kuitenkaan ollut QGIS vaan Excel. Minun piti yhdistää erilliset lajihavainnot yhdeksi taulukoksi, ja antaa jokaiselle lajille oma tunnus, mutta Excel muutti numeroita päivämääriksi ja siirteli yksittäisiä rivejä. Lopulta päädyinkin luomaan kokonaan uuden taulukon, jossa olivat vain koordinaatit ja lajiID. Tästä aineistosta pystyin laskemaan uniikkeja arvoja ruudulla ja esittämään ne kartalla (kuva 3). Siinä missä kuva 1 ei kuvaa pöllöjen todellista määrää (mutta levinneisyyttä kyllä) niin kuva 3 kuvaa jo hieman luetettavammin alueen lajidiversiteettiä. Koska yksilömäärää ei huomioida, ei havaintojen määrällä ole niin paljon painoarvoa. Tästä huolimatta lajirikkaimmat alueet näyttävät olevan Helsingin ja Turun ympäristössä. Ovatko kyseiset paikat lepakoille vai havainnoijille kaikkein otollisinta ympäristöä, on vaikea päätellä. Vähintään voidaan kuitenkin sanoa, että ne eivät ole huonoja.

Viimeisen kurssikerran jälkeen tuntuu vähän siltä, kuin olisi oppinut jotain. Ehkä!

 

Haapalo, P. 26.2.2020: Onnellisuus, konfliktit ja viimeiset hetket. Luettu 27.2.2020 https://blogs.helsinki.fi/haapalop/2020/02/26/onnellisuus-konfliktit-ja-viimeiset-hetket/

Eptesicus nilssonii havaintoaineisto – Suomen Lajitietokeskus/FinBIF. http://tun.fi/HBF.39510 (haettu 24.2.2020).

Plecotus auritus havaintoaineisto – Suomen Lajitietokeskus/FinBIF. http://tun.fi/HBF.39509 (haettu 24.2.2020).

Myotis daubentonii havaintoaineisto – Suomen Lajitietokeskus/FinBIF. http://tun.fi/HBF.39508 (haettu 24.2.2020).

Myotis mystacinus havaintoaineisto – Suomen Lajitietokeskus/FinBIF. http://tun.fi/HBF.39507 (haettu 24.2.2020).

Myotis brandtii havaintoaineisto – Suomen Lajitietokeskus/FinBIF. http://tun.fi/HBF.39506 (haettu 24.2.2020).

Strix aluco havaintoaineisto – Suomen Lajitietokeskus/FinBIF. http://tun.fi/HBF.39505 (haettu 24.2.2020).

Kuudes kurssikerta alkoi ulkoilulla ja oman aineiston keräämisellä Epicollect 5 -sovellusta hyödyntäen. Vaikka kylmä tuuli ei tehnyt kokemuksesta kovinkaan miellyttävää, olin silti varsin iloinen oman aineiston keräämisestä ja käsittelystä. Tämä siksi, että jos tulen tulevaisuudessa käyttämään QGIS-ohjelmistoa, tulen todennäköisesti mallintamaan sillä itse keräämääni aineistoa ja olen pohtinut minkälaista tietoa tähän aineistoon pitää liittää, jotta sen voi siirtää QGISiin. Nyt sainkin muutamiin kysymyksiin vastauksia. Itse kerätyllä aineistolla kokeilimme myös uutta työkalua, interpolointia, joka vaikutti mielenkiintoiselta siitä huolimatta, että Kumpulan ympäristö ei tuonut esiin huikean suuria eroja alueiden välillä.

Ensimmäisen harjoituksen jälkeen, harjoittelimme lisää datan tuomista QGISiin ja saimme tehtäväksemme tehdä kouluopetukseen sopivia havainnollistavia karttoja. Tämäkin tehtävä oli mieluinen, olenhan kurssilla aineenopettajaopintojen tähden. Päätin havainnollistaa kolmella kartallani kahta asiaa: mannerlaattojen sijoittumista ja eroja voimakkaimpien ja tuhoisimpien maanjäristysten välillä. Ensimmäinen kartta onnistui helposti (kuva 1): yli 6,5 magnitudin järistykset vuodesta 2000 alkaen mukailevat selkeästi laattojen reunoja. Toisen asian esittäminen ei kuitenkaan onnistunut: kuvasin kartalla järistyksen voimakkuudet (kuva 2) mutta niiden tuhoisuutta en pystynyt kuvaamaan.

USGS-sivustolla pystyi hakemaan maanjäristyksiä niiden vaikutuksen (Impact) perusteella ja arvelin, että vaihtoehtona ollut PAGER Alert Level -asteikko sopisi tarkoitukseeni täydellisesti. PAGER ottaa arvioinnissaan huomioon järistyksen voimakkuuden, kuolonuhrien määrän ja taloudelliset vahingot (Wald ym. 2010). Odotuksenani olikin, että tuhoisimmat maanjäristykset sijoittuisivat alueille, joilla on korkea väestöntiheys tai paljon infrastruktuuria/rakennettua aluetta. Tämä ei kuitenkaan onnistunut, kun PAGER-luokituksen otti mukaan hakuun, saadut tiedostot olivat poikkeuksetta tyhjiä. Kiukkuisena päädyin lopulta kuvaamaan tulivuoria kartalla (kuva 3). Myös nämä seuraavat mannerlaattojen rajoja, mutta karttaan olisi voinut olla hyvä tuoda muutakin sisältöä. Otso Laakkonen oli esittänyt maanjäristykset ja tulivuoret samalla kartalla, mikä on jo selkeä askel parempaan päin.

 

 

Laakkonen, O. 17.2.2020: 6 kerta. Luettu 19.2.2020 https://blogs.helsinki.fi/laxotso/2020/02/17/6-kerta/

NOAA National Centers for Environmental Information https://www.ngdc.noaa.gov/nndc/struts/form?t=102557&s=5&d=5 Aineisto haettu 17.2.2020

USGS science for a changing world https://earthquake.usgs.gov/earthquakes/search/ Aineisto haettu 17.2.2020

Wald, D., Jaiswal, K., Marano, K., Bausch, D. & Hearne, M. 2010: Responding to global earthquake hazards PAGER—Rapid Assessment of an Earthquake’s Impact. USGS science for a changing world https://pubs.usgs.gov/fs/2010/3036/pdf/FS10-3036.pdf

Viidennellä kurssikerralla harjoiteltiin jälleen erilaisten analyysien tekoa, ja tällä kertaa koin jopa muutamia onnistumisen hetkiä: vau!

Kurssikerran alussa kävimme Artun johdolla läpi joitakin uusia työkaluja. Tässä harjoituksessa käytimme viime kerralla aloitettua Pornaisten karttaa, kiva että, silloin puuduttavalta tuntunut talojen klikkailu osoittautui hyödylliseksi. Pornaisten jälkeen ryhdyimme tekemään tehtäviä itsenäisesti, mikä tuntui aluksi kauhistuttavalta mutta sujui lopulta yllättävän hyvin. Kuten Mathilda Carpelankin toteaa blogissaan, oli hyvä, että tehtäviä sai pohtia itsenäisesti ajan kanssa – yhdessä tehtäessä stressi mukana pysymisestä voi toisinaan ottaa vallan. Sain tehtyä itsenäisharjoituksia melko sujuvasti ja jopa varsin ripeästi: vain viimeinen tehtävä, jossa piti valita eri vaihtoehdoista, jäi kotiin. En välttämättä käyttänyt aina kaikkein optimaalisimpia työkaluja, mutta sain mielestäni kaikki tehtävät oikein (taulukko 1). Tulokset olivat myös hyvin pitkälti samoja, kuin esimerkiksi Alex Nylanderilla. Tässä kuitenkin huomasi sen, että viimeisimpänä käsitellyt asiat (esim. bufferit) olivat selkeimpänä mielessä. Positiivista on myös se, että hermot eivät kiristyneet edes QGISn kaatumiseen, vaikka olin jälleen kerran unohtanut tallentaa työni.

Tehtäviä tehdessäni koin osaavani käyttää työkaluja ja tehdä onnistuneita analyyseja. Toisaalta huomasin myös, että taipumuksenani on yrittää soveltaa samoja työkaluja moneen tarkoitukseen ja vanhemmat asiat ovat hieman heikommin mielessä. Tämä näkyi jälleen kerran kotiin jäänyttä tehtävää tehdessä: aloittaminen oli vaikeaa, kun tiesin mitä pitäisi tehdä, mutten muistanut miten. Parhaiten hallitsenkin työkalut, joita käytän kaikista eniten: esimerkiksi laskimella uusien sarakkeiden tekemisen ja koropleettikartat. Toisaalta uskon hallitsevani tähän mennessä käytetyt työkalut, kunhan löydän ne ja tunnistan tarpeen käyttää niitä. Ongelma on siis sama kuin kotitehtävässä, tiedän haluavani valita esimerkiksi pisteitä, joltain alueelta mutta miten: piirränkö ensin alueen, millä valitsen sen, tarvitsenko sen uudeksi tasoksi ja miten sen teen? Tähän viidennen kurssikerran kaltaiset itsenäiset tehtävät, joissa apua on kuitenkin saatavilla, ovat varmasti erityisen hyviä.

Tehtävänannossa pyydettiin myös pohtimaan, mihin puskurivyöhykkeitä voisi käyttää. Itse koinkin Buffer-työkalun todella hyödylliseksi: sitä voisi käyttää esimerkiksi luonnonsuojelualueiden suunnittelussa. Mikäli suojeltavan lajin ekologia tunnetaan (esimerkiksi yhden yksilön vaatima reviiri, kuinka monta yksilöä tarvitaan lajin säilymiseen elinvoimaisena, populaatiokoko yms.), voisivat puskurivyöhykkeet olla todella hyvä työkalu. Samoin puskurivyöhykkeitä voisi hyödyntää luonnonsuojelualuiden yhdistämisessä ja astinkivien ja kulkuväylien suunnittelussa tai vaikka salametsästyksen ehkäisyssä. Metsästyksen alueellista sijoittumista on tutkittu jonkin verran, ja yksi tärkeä tekijä on alueen saavutettavuus, eli esimerkiksi tie tai vesistö. Jos näiden alueiden välitön läheisyys pystyttäisiin kartoittamaan, metsästystä voitaisiin hillitä esimerkiksi tehostetun valvonnan tai kameroiden avulla.

 

 

Carpelan, M. 17.2.2020: Kursgång 5: Analyser I huvudstadsregionen. Luettu 18.2.2020 https://blogs.helsinki.fi/carpmath/2020/02/17/kursgang-5-analyser-i-huvudstadsregionen/

Nylander, A. 18.2.2020: Kurssikerta 5: Buffereita ja väestöanalyysejä. Luettu 18.2.2020 https://blogs.helsinki.fi/alny/2020/02/18/kurssikerta-5-buffereita-ja-vaestoanalyyseja/

Neljännellä kurssikerralla jatkoimme QGISiin tutustumista ja jälleen opeteltavana oli uusia komentoja ja tapoja analysoida aineistoja. Käsittelimme ja loimme ruutuaineistoja, perehdyimme rasteriaineistoihin ja lopuksi loimme itse uusia tasoja ja piirsimme olemassa olevan kartan päälle.

Kurssikerta alkoi ruutuaineistoilla; loimme pääkaupunkiseudun kartalle ruudukon, jonka avulla pystyimme tutkimaan väestötietoihin tallennettuja muuttujia. Oikein tehty ruudukko mahdollistaakin myös absoluuttisten arvojen esittämisen kartalla, mikä ei yleensä ole suotavaa. Tämä johtuu siitä, että samankokoiset ruudut mahdollistavat alueiden välisen vertailun – yleensä onkin parempi vertailla suhteellisia arvoja, koska alueet ovat vähintäänkin eri kokoisia keskenään. Tietenkään ruudut eivät voi tasoittaa muita alueiden välisiä eroja ja tuoda niitä täysin samalle viivalle.

Ruutujen tekeminen kartalle tuntui yllättävän vaivattomalta, mutta kuten Tomi Kiviluoma (2020) toteaa, saa käskyjen kanssa olla varsin tarkkana. Esimerkiksi polygonit ja viivat voivat tuottaa samannäköisen ruudukon, mutta vain polygonit luovat todella ruudun, jonka sisään jää aineistoa. Artun johdolla teimme 250m x 250m ruudukolle muunkielisten määrää kuvaavan kartan ja kotitehtäväksi jäi toteuttaa sama, jollakin toisella muuttujalla. Tehtävässä pyydettiin valitsemaan muuttuja, joka ei olisi niin itsestään selvä. Sainkin korkealentoisen idean yrittää kuvata opiskelijoiden sijoittumista kartalla. Toteutin tämän laskemalla ensin yhteen ikäluokat 20-24 v., joiden ajattelin olevan ainakin suurelta osin opiskelijoita. Tämä ei tietenkään pidä täysin paikkaansa, mutta ajattelin tulosten olevan vähintäänkin suuntaa antavia. Ruutukookseni valitsin 500m x 500m, sillä maanantain pienemmät ruudut veivät varsin paljon aikaa. Ajattelinkin tämän olevan sopiva puoliväli tarkkuuden ja nopeuden väliltä. Suunnitelmani oli esittää ikäluokan jakautuminen kartalle sekä prosentteina että absoluuttisina arvoina. Myös Matias Sarajisto (2020) oli pohtinut blogissaan tällaisen esittämistavan etuja. Tein molemmat kartat, mutta koska QGISn kanssa tapaa tulla yllätyksiä, tallentamisessa tapahtui jotakin kummallista. Molemmilla kartoilla on omat otsikkonsa ja kuvansa (esim. pohjoisnuoli) mutta itse kartta ja ruudukko on tallentunut molempiin karttoihin samana. Niinpä tässä on vain kartoista huonompi – yritys esittää suhteellinen osuus kartalla, lopputuloksena kuitenkin vain yhteen laskettuja prosenttilukuja. Absoluuttisten lukujen kartta näytti, että oletettuja opiskelijoita on eniten siellä, missä on muutenkin paljon ihmisiä – Helsingin keskustassa ja tärkeimpien liikenneväylien yhteydessä. Prosenttikartasta voidaan sanoa sen verran, että nuoret ovat jakautuneet pääkaupunki seudulle varsin tasaisesti. Rohkeampi tarkastelija voisi ehkä todeta, että nuoria on paljon esimerkiksi Kalliossa, kun taas Helsingin kalliimmilla alueilla kuten Kulosaaressa ja Katajanokalla on vain vähän nuoria.

Lopputuloksesta sanoisinkin, että idea ei ollut välttämättä huono mutta toteutus vaatisi vielä paljon hiomista: aineiston valinnasta itse kartan koostamiseen asti. Tällaisenaan kartta ei kerro juuri mitään. Yritin tehdä kartan uudestaan, mutta tallennettu versio ei jostain syystä suostunut lisäämään aineistoa takaisin kartalle. Koska en tiennyt missä vika oli, en halunnut aloittaa täysin alusta, joten näillä mennään.

Rasteriaineiston käsittely vaikutti todella mielenkiintoiselta. Omalta osaltani se ei kuitenkaan oikein sujunut: rasteriaineisto ja peruskartta eivät suostuneet asettumaan päällekkäin. Joka tapauksessa, sivusta seurattuna rinnevalovarjostuksen ja korkeuskäyrien lisääminen kartalle olivat todella mielenkiintoisia.

 

 

Kiviluoma, T. 7.2.2020: Ruutujen takaa. Luettu 11.2.2020 https://blogs.helsinki.fi/tomingeoblogi/2020/02/07/51/

Sarajisto, M. 11.4.2020: Kurssikerta 4. Luettu 11.4.2020 https://blogs.helsinki.fi/matisara/2020/02/11/artikkeli-4/

Kolmas kurssikerta käsitteli eri tiedostomuotoja, niiden käsittelyä ja yhdistämistä: tärkeä aihe, sillä todellisuudessa kaikki tarvittava tieto ei todennäköisesti ole valmiina samassa paikassa. Aihetta harjoiteltiin ensin opettajajohtoisesti Afrikkaan sijoittuvan aineiston avulla. Harjoituksessa opimme muutaman eri tavan yhdistää aineistoja sekä saimme tärkeitä huomioita eri tiedostomuotojen käsittelystä. Esimerkkinä tästä: QGIS ei lue Excel-tiedostoja, joten taulukot on syytä muuttaa CSV-formaattiin ennen käsittelyä. Toisaalta osa aineiston käsittelystä ja tarvittavasta muokkaamisesta voi olla hyvä tehdä jo ennen QGISiin siirtämistä. Aineistojen yhdistäminen vaatii jonkin tekijän, jonka perusteella tiedot saadaan yhdistettyä oikein. Kurssikerran harjoituksissa tämä yhdistävä tekijä oli nimi, esimerkiksi maa tai joki, mutta se voi aineistosta riippuen olla esimerkiksi id-tunnus. Yhdistetyt tietokannat täytyy myös muistaa tallentaa: asia, jonka olin unohtanut täysin, kunnes huomasin Paula Allisen maininneen siitä blogissaan (2020).

Tietojen yhdistämisen lisäksi kurssikerralla käytiin läpi myös sen käsittelyä: taulukoiden yhdistäminen ja niiden perusteella luodut kartat voivat tuoda tärkeitä uusia näkökulmia aiheeseen, kuten myös Jonna Kääriäinen (2020) toteaa. Kurssikerralla muodostimme esimerkiksi karttoja timantti- ja öljyesiintymistä ja konflikteista. Ohjelmassa on mahdollista myös esimerkiksi laskea, kuinka monelle eri vuodelle konfliktit jakaantuvat. Enää en muista, kuinka tämä tehtiin, mutta toisaalta uskoisin, että kurssin ajatuksena on myös näyttää meille, mitä kaikkea QGISn kanssa voi tehdä. Vaikka täydellinen käyttövarmuus vielä puuttuisi, on tärkeää kuitenkin tiedostaa ohjelman ulottuvuudet ja mahdollisuudet – tämä mahdollistaa myös itsenäisen harjoittelun tulevaisuudessa.

Opettajajohtoisten tehtävien jälkeen oli aika harjoitella itsenäisesti. Tämä tehtiin yhdistämällä eri taulukoita ja laskemalla tästä yhdistetystä taulukosta tulvaindeksi ja muodostamalla siitä koropleettikartta. Tehtävä yhdisti siis näppärästi kolmen ensimmäisen kurssikerran aiheet ja testasi niiden hallintaa. Väsymyksestä huolimatta sain tehtyä kelvollisen kartan, mutta järvisyyden kuvaaminen histogrammilla osoittautui haasteeksi. Näin kävi myös ilmeisesti monelle muullekin, esimerkiksi Janina Vikman (2020) oli todennut tehtävän myös haastavaksi ja pidättäytynyt turhasta klikkailusta ohjelman jäätymisen pelossa. Itse sen sijaan päädyin klikkaile ja kokeile -taktiikkaan, joka osoittautui virheeksi. Vaikka yrityksen ja erehdyksen kautta pääsinkin toteamaan ainakin sen, mikä ei toimi, ohjelma todellakin jäätyi ja kaatui vieden tallentamattoman työni mennessään yhdistettyjä taulukoita myöten. Niinpä jouduin tekemään tehtävän alusta lähtien kotona uudestaan. Edelleenkään en saanut järvisyyttä kuvaavia histogrammeja karttaan mukaan: niitä ilmestyi kartalle vain kolme, loppujen kohtalo on tuntematon. Päädyinkin jättämään nämä yksittäiset palkit pois lopulliselta kartalta, koska niiden informaatioarvo on olematon.

Koska järvisyys puuttui omalta kartaltani, päädyin tekemään luonnonmaantieteellisen pohdintani Pinja Nivalaisen kartan (2020) perusteella. Suurimman järvisyyden ja korkeimman tulvaindeksin paikat eivät sijaitse samoilla alueilla. Korkeimmat tulvaindeksit ovat rannikolla, missä joet laskevat Itämereen ja järvisimmät alueet ovat sisämaassa – etenkin Järvi-Suomessa, mikä ei ole yllättävää. Järvialtaat todennäköisesti tasaavat vuosittaisia tulvia mutta lisäksi mereen laskevat joet keräävät virtaavia vesiä laajalta alueelta.

 

 

Allinen, P. 31.1.2020: Tietokantojen yhdistämistä ja tilastoista tietokantoihin. Luettu 3.2.2020 https://blogs.helsinki.fi/pallinen/2020/01/31/tietokantojen-yhdistamista-ja-tilastoista-tietokantoihin/

Kääriäinen, J. 31.1.2020: Tietokantaliitoksia ja tulvaindeksejä. Luettu 2.2.2020 https://blogs.helsinki.fi/kaarijon/2020/01/31/tietokantaliitoksia/

Nivalainen, P. 1.2.2020: Kerta 3. Luettu 3.2.2020 https://blogs.helsinki.fi/npinja/2020/02/01/kerta3/

Vikman, J. 29.1.2020: Kuoppia matkalla GIS – velhoksi. Luettu 2.2.2020 https://blogs.helsinki.fi/jagvikma/2020/01/29/31/

Toinen kerta QGIS:n parissa ja tällä kertaa oli havaittavissa selkeää hermojen kiristymistä!

Kurssikerran aluksi toimme ohjelmaan erilaisia aineistoja, joka opettajan johdolla tehtynä tuntui hyvinkin vaivattomalta. Näin jälkikäteen en ole kuitenkaan varma, osaisinko itse hakea netistä aineistoja – mistä esimerkiksi saa tarvittavan osoitteen aineiston hakua varten?  Itse aineiston käsittelystä QGIS:ssä oli tärkeää muistaa muutama seikka. Kuten Iida Kokkinen mainitsi blogissaan, ladattu aineisto on vain tarkastelussa ja sen muokkaaminen on mahdollista vain, jos sen tallentaa ensin paikalliseksi tietokannaksi.

Aineistojen tarkastelun lisäksi kurssikerralla perehdyttiin erilaisiin karttaprojektioihin ja siihen, miten ne vaikuttavat karttatulkintaan. Vaikka eri projektioiden merkitys esimerkiksi pinta-alaan ja kulmien oikeellisuuteen oli minulle jo ennestään tuttua aiemmilta kursseilta, pystyi sen taas toteamaan käytännössä. Esimerkiksi Mercatorin-projektio on oikeakulmainen, mutta vääristää pinta-aloja liikuttaessa päiväntasaajalta pohjoiseen. Esimerkiksi Tomi Kiviluoma on esittänyt juuri tämän Mercatorin vääristymän blogissaan. Tässä kohtaa on syytä mainita, että projektioiden vaihtaminen QGIS:ssä oli yllättävän hankalaa! Projektiot oli välillä nimetty QGIS:n valikossa eri tavoin, kuin esimerkiksi Wikipediassa. Lisäksi kartan tallentaminen uudessa projektiossa ei vaikuttanut riittävän yksinään vaan projektio piti vielä vaihtaa uudelleen, kun kartan avasi seuraavan kerran.

Vaikka projektion suhde pinta-alaan oli minulle ennestään tuttu käsite, huomasin, etten ollut tullut ajatelleeksi sen suhdetta pinta-alaan sidottuihin muuttujiin, kuten väestöntiheyteen. Teinkin nimenomaan tästä aiheesta kurssikerran päätteeksi kartan. Kuva 1 esittää Suomen väestöntiheyden TM35FIN-projektiossa ja kuva 2 saman asian Mercator-projektiossa. Suhteelliset väestöntiheydet asettuvat molemmilla kartoilla samoille alueille ja samoihin kuntiin, mutta legendaa tarkastellessa huomaa, että karttojen välillä on eroa.

Kuva 3 esittääkin näiden karttojen välisen eron väestöntiheyksissä. Samoin kuin pelkkä pinta-alojen välillä esiintyvä ero, myös pinta-alaan sidottu väestöntiheyksien ero kasvaa pohjoiseen päin siirryttäessä. Tämä havainto herättääkin kysymyksen erilaisten aineistojen vertailtavuudesta ja projektioiden valinnan tärkeydestä. Esimerkiksi, jos eri valtiot julkaisevat omia tutkimuksia pinta-alaan sidotuista muuttujista, kuten väestöntiheydestä tai luonnonsuojelualueiden laajuudesta, ovatko nämä tiedot täysin vertailtavissa omien vastaavien lukujemme kanssa?

Loppuun totean vielä, että näiden kolmen kartan tekeminen kiristi hermoja varsin paljon. Uusien sarakkeiden luominen oikeisiin pohjiin, kahden QGIS:n samanaikainen pyörittäminen ja laskujen tekeminen milloin mihinkin karttaan pitkän päivän päätteeksi osoittautui haastavaksi. Tämä näkyy myös lopputuloksissa: energia ei näköjään enää riittänyt legendojen hiomiseen. Tästä huolimatta olen kuitenkin jopa hieman ylpeä, että sain esitettyä haluamani asian kartalla.

 

Lähteet:

Kiviluoma, T. 24.1.2020 Tietokantoja, tykytystä ja toiveita tulevasta. Luettu 27.1.2020 https://blogs.helsinki.fi/tomingeoblogi/2020/01/24/tietokantoja-tykytysta-ja-toiveita-tulevasta/

Kokkinen, I. 24.1.2020 Toinen tapaaminen arvon QGISin kanssa. Luettu 27.1.2020 https://blogs.helsinki.fi/iixkokki/2020/01/24/toinen-tapaaminen-arvon-qgisin-kanssa/

Ensimmäisellä kurssikerralla tutustuimme QGIS-ohjelmiston käyttöön ja sen perusominaisuuksiin. Ohjelma ei ollut minulle entuudestaan tuttu, mutta koin, että sain perusperiaatteesta kiinni. Tässä oli varmasti apuna entuudestaan tuttu karttatasojen käyttö. Uskon kuitenkin, että tarvitsen vielä kertausta, jotta voin sanoa hallitsevani ensimmäisen kurssikerran komennot täydellä varmuudella.

Kurssikerran lopuksi koostimme koropleettikartan (kuva 1) käyttäen Suomen kuntien tietokantaa (Tilastokeskus 2015). Valitsin omaksi aineistokseni muunkielisten osuuden (%) kunnissa. Mielestäni valitsemani väriskaala, vihreä, on onnistunut. Karttaa on helppo tulkita, väri tummenee muunkielisten osuuden kasvaessa, ja karttaa on miellyttävää katsoa. Muilta osin kartta ei ole näin jälkeenpäin tarkasteltuna yhtä onnistunut, kuin miltä se tekohetkellä vaikutti. Suomi on kartalla kääntynyt tuntemattomasta syystä vinoon: asia, joka minun on syytä selvittää toisella kurssikerralla. Olisin voinut myös luokitella osuudet järkevämmin, esimerkiksi tasalukuihin, kuten myös Paavo Kettunen (2020) totesi omasta tulkinnastaan.

Valitsin aineistokseni muunkielisten osuuden, koska olin utelias näkemään, kuvaisiko kartta jollain tasolla maahanmuuttajien keskittymiä Suomessa. Karttaa tarkastellessani en kuitenkaan usko, että näin on. Muunkielisten osuus on suurin Pohjois-Lapissa, Länsi-Suomessa ja Etelä- ja Kaakkois-Suomessa. Lapissa asuu oletettavasti esimerkiksi saamelaisia, lännessä ruotsinkielisten osuus on verrattain suuri ja esimerkiksi kaakossa sijaitsevat kunnat, joissa muunkielisten osuus on korkea, sijaitsevat lähellä Venäjän rajaa. Kartan tulos on siis varsin odotettava. Jännittävät ideat, joita saa pitkän päivän päätteeksi ovatkin usein vain jännittäviä ideoita. Olisi kuitenkin mielenkiintoista tarkastella rinnakkain karttoja, jotka kuvaavat esimerkiksi muunkielisten, ruotsinkielisten ja saamea puhuvien osuutta kunnissa, ja katsoa vastaavatko kartat toisiaan.

Lopulta uskon, että vaikka hyvin tehty kartta pystyy välittämään paljon informaatiota ja kokoamaan sen toivottavasti helppotajuiseen muotoon, se tarvitsee kuitenkin tuekseen myös muuta aineistoa, jotta tulkinnan varmuus kasvaa. Tiia Laisi toteaakin blogissaan (2020): ”Kartta kuvastaa ilmiötä, mutta ei … anna sille selitystä”, ja yhdyn itse tähän ajatukseen. Ilmiön kuvaajana kartta on toki ainutlaatuisen tehokas.

 

Lähteet:

Kettunen, P. 14.1.2020 Kurssikerta 1. Luettu 19.1.2020 https://blogs.helsinki.fi/paavoket/2020/01/14/moikka-maailma/

Laisi, T. 15.1.2020 Kurssikerta 1. QGIS-ohjelmistoon tutustumista. Luettu 19.1.2020 https://blogs.helsinki.fi/tlaisi/2020/01/15/kurssikerta-1-qgis-ohjelmistoon-tutustumista/

Tilastokeskus 2015

Welcome to Blogipalvelut. This is your first post. Edit or delete it, then start blogging!