Kurssikerta 2 – 25.1.2023

Projektioiden vertailua koropleettikarttojen myötä

Tällä kurssikerralla koin, että QGIS:in käyttö oli jo haasteellisempaa kuin aiemmin. Kokeilimme uusia komentoja ja esimerkiksi uutta tapaa tuoda aineistoa sovellukseen. Kopioin latauspalvelusta (esimerkiksi Tilastokeskuksen) aineiston osoitteen QGIS:iin luomalla uuden WFS yhteyden.

Vääristymiä kartoissa kokeilimme ensin mittaamalla tietyn välimatkan Suomesta eri projektioita käyttäen. Siitä huomaa jo, miten suuria eroja välimatkoissa Suomen kaltaisessa pienessä valtiossa voi tapahtua projektiota vaihtamalla. Varsinkin Suomen Lapissa välimatkojen erot olivat suuret verrattuna Etelä-Suomeen, sillä pitkulaisen muodon vuoksi Lappi paljon pohjoisempana projisoituu pallon pinnalla dramaattisemmin.

Ensimmäisessä tehtävässä vertailin samaa mitattua matkaa (km) eri projektioiden välillä, ja arvot muuttuivat paljonkin. Mitatun matkan otin mittatyökalulla QGIS-ohjelmassa noin Keski-Suomen päältä vertikaalisesti.

Taulukko 1. Janan pituus eri projektioissa ja niiden osuudet Suomea hyvin kuvaavan projektion (TM35) janasta.

Vertailin myös pinta-aloja projektioiden välillä. Alueen otin pohjoisimmasta Lapista, jotta suhteelliset erot näkyisivät mahdollisimman hyvin.

Taulukko 2. Pinta-alat eri projektioissa ja niiden osuudet Suomea hyvin kuvaavan projektion (TM35) pinta-alasta.

Vertailemalla eri projektioiden pinta-aloja ja pituuksia voi huomata, että muita Suomea hyvin kuvaavia projektioita on esimerkiksi Azimunthal (world equidistant), koska sen arvot ovat lähellä samoja arvoja kuin TM35-projektiossa (Taulukko 1 ja 2). Toisaalta Mercator-projektio kuvaa Suomea huonosti. Arvoista näkee, että alue Lapissa on 86,9% suurempi kuin TM-35 projektiossa (Taulukko 2). En pystynyt jostain syystä QGIS-ohjelmalla muokkaamaan ja vaihtamaan sitä, katsotaanko Suomea ellipsoidin vai tason pinnalla (ellipsoid/cartesian).

Ensimmäisenä tarkasteluun otin Mercatorin sekä ETRS-TM35 projektioiden välisen suhteen. TM35 tarkoittaa “Transverse Mercator, jossa Mercator projektio on projisoitu poikittaisen lieriön mukaisesti eikä pystyssä olevan. Lieriön “kosketuspinta” pallolla on noin Suomen keskikohdalla. Tällöin pitkulainen Suomi saadaan sopusuhtaisemmaksi.

Kuva 1. Vääristymäkerroin Mercatorin ja TM35-projektioiden välillä Suomessa

Kartasta huomaa, kuinka vääristymäkerroin kasvaa aina pohjoisempaan mennessä. Etelä-Suomessa ero on vain noin 0,34% kun taas ihan pohjoisessa se on jopa 1,25%.

Kuva 2. Vääristymäkerroin Robinsonin ja TM35-projektioiden välillä Suomessa

Käytin karttaa 2. tehdessä myös seitsemää luokkaa, jotta erot kuva 1. ja kuva 2. välillä voisi huomata helposti. Käytin myös kaikkia karttoja tehdessä samaa väritystä, jotta niitä voisi helposti vertailla keskenään. Molemmista kartoista huomaa, että Pohjois-Suomi vääristää Suomen kuvaa eniten. Kartoista voi kuitenkin päätellä sen, että Mercatorin projektion vääristymäkerroin on suuri tasaisemmin Suomessa, kun taas Robinsonin projektio vääristää enemmän Suomen kuvaa Pohjois-Suomessa. Punaiset alueet ovat laajemmalti esiintyviä kuvassa 2. kuin kuvassa 1.

Robinsonin projektion vääristmäkerroin taas on melko vähäinen. Puhutaan vain noin 0,1% tai alle vääristymistä koko maassa. Robinsonin projektioissa vääristymät navoilla ovat melko suuret, mutta vähenevät nopeasti etelämpään mennessä. Siksi Pohjois-Suomi on taas vääristyneempi muuhun Suomeen verrattuna. Projektio ei ole oikeapintainen, eikä missään suhteessa oikeapituinen tai -kulmainenkaan, vaan se on kompromissi näistä kaikista tarkoituksena luoda sopusuhtainen kuva maailmasta.

Kun vertaillaan kuvaa 2. ja 3. voidaan huomata, miten eri luokkien määrä vaikuttaa kuvan visuaaliseen tulkintaan. Kun luokkia on vain neljä, tulokset eivät näy yhtä selkeämmin tai jopa dramaattisemmin kuin kuvassa 2. Kuvassa 3. näyttää siltä, että vääristymäkerroinluokat jakautuisivat tasaisesti Suomeen, kun taas kuvassa 2. näyttää siltä, että punaisemmat alueet olisivat enemmistössä. Siksi kuvaa 2. katsellessa näyttää siltä, että vääristymät ovat voimakkaammat. Kuvassa 3. taas näyttää siltä, että on vain neljä eri väriä kuvaamassa eri luokkia eikä siirtymää värien ja sen mukaan arvojen välillä suuresta pieneen tapahtuisi.

Kuva 3. Vääristymäkerroin Robinsonin ja TM35-projektioiden välillä Suomessa. Luokkia on vain neljä.
Kuva 4. Vääristymäkerroin WGS84 ja TM35-projektioiden välillä Suomessa

WGS84 projektio, tarkemmin Pseudo Mercator/Web Mercator on lieriömäinen projektio. Se eroaa normaalista Mercator projektiossa siinä, että se suoritetaan pallolla. Tätä projektiota käytetään esimerkiksi Google Mapsissa. Tämä projektio ei ole oikeakulmainen tai -pituinen, mutta oikeapintainen. Siksi, että tämä on oikeapintainen, erot eivät näy kovin suurina.

Tarkastellessa WGS84 (Pseudo-Mercator) ja TM35 projektioiden välistä eroa, huomaa kuinka samanlainen se on verrattuna Robinsonin ja TM35 projektioiden eroon. Kuvat 2. ja 4. näyttävät miltei samalta. Kuitenkin arvot poikkeavat. Kuvasta 4. nähdään, kuinka vääristymä on suurempi WGS84 projektiossa kuin Robinsonin projektion kanssa. Robinsonin projektion suhteet ovat siksi niin pienet verrattuna TM35 projektioon, sillä Robinsonin projektio pyrkii juuri tasasuhtaiseen kuvaan maapallosta.

Kiia Korpisen blogia lukiessa huomaa hyvin erottuvan kuvan, jossa vertaillaan TM35-projektiota sinusoidaaliseen (oikeapintainen Mercatorin projektio). Vaikka arvot eivät poikkea paljon Suomea hyvin kuvaavasta projektiosta, kuitenkin kuva on hyvin eri näköinen, sillä väriluokat soljuvat nyt vertikaalisesti. Sinusoidaalinen projektio kuvaa siis Suomea hyvin verrattuna esimerkiksi Mercatorin projektioon.

Tällä kurssikerralla muistelin vanhoja opittuja asioita projektioista. Ja opin taas uutta QGIS:in käytöstä. Haasteelliseksi tätä tehtävää tehdessä koin sen järjestyksen, milloin tuli lisätä uusi taso, milloin vaihtaa projektiota tarkasteluun ja milloin laskea pinta-alojen suhde. Tätä kun toisti muutaman kartan verran, se alkoi jo onnistua, muutaman epäonnistumisen jälkeen. Helpommaksi taas koin kartan visualisoinnin, sillä sitä harjoiteltiin jo edelliskerralla hyvin.

Kiva jos luit <3

 

Lähteet:

Korpinen K. (31.1.2023). Kurssikerta 2. Geoinformatiikan menetelmät 1, 2023 https://blogs.helsinki.fi/kiiakorp/

Kurssikerta 1 – 18.1.2023

Ensimmäiset työt

Ensimmäisellä kurssikerralla geoinformatiikan menetelmät kurssia teimme QGIS ohjelmalla kartan (Kuva 1.). Kartalla näkyy Itämeren rannikolla sijaitsevien maiden typpipäästöt prosenttiosuuksina kyseiseen vesistöön. HELCOM on suojeluyhdistys Itämeren maiden välillä.

Kuva 1. HELCOM maiden typpipäästöosuudet %.

Typpeä pääsee vesistöön eniten maatalouden tuotannosta. Viro erottuu selkeästi vähiten typpeä päästävänä maana. Toisaalta Viro on vähemmän asuttu ja vähemmän vauras maa kuin monet HELCOM maat. Suurimpina päästöjä tuottavina maina esiintyvät Ruotsi, Venäjä ja Puola, jotka ovat vauraita maita ja joiden väkiluku on korkea, jolloin maataloustuottoa on myös paljon. Suomestakin pääsee Itämereen paljon typpeä. Suomella onkin pitkä rantaviiva Itämereen, joka vaikuttaa asiaan paljon. Venäjä tuottaa paljon typpipäästöjä vesistöön, vaikka sillä onkin vain vähän rantaviivaa. Kuitenkin Venäjällä on paljon typpeä päästävää laivaliikennettä Itämerellä.

Tyyne Turusen blogissa (2023) Tyyne huomauttaa hyvin, kuinka luokkien koot eivät ole suhteessa samat, vaan niitä on jouduttu muokkaamaan, jotta kartta toimisi visuaalisesti hyvin. Samanlaista käytäntöä toteutin tehdessäni karttaa 2 (kuva 2). Tällöin se antaa mahdollisimman aidon kuvan kartan sisällöstä, kun luokkarajat ovat luonnollisesti jaoteltu aineiston arvojen mukaisesti.

Kotitehtävänä oli tehdä vapaaehtoinen koropeettikartta Suomen eri tilastoista valitsemalla. Ensin tein kartan ruotsinkielisten osuudesta Suomen kunnissa, mutta päädyin siihen tulokseen, että kartta näytti tylsältä, sillä ruotsinkielisiä on niin vähän. Siispä valitsin Suomen väkiluvun suhteutettuna eri kuntiin. Väkiluku oli aineistossa kokonaislukuina, joten muutin sen prosenttiosuuksiksi. Kartalla näkyy selvästi Etelä-Suomen asutustiheys korkeampana verrattuna esimerkiksi Itä-Suomeen ja Lappiin. Suuret kaupungit ja kaupunkiseudut näkyvät myös kuten Oulu, Helsinki, Espoo, Vantaa, Tampere ja Turku.

Kuva 2. Suomen väkiluku % vuonna 2021.

Ohjelman käyttäminen jäi kurssikerralla hyvin muistiin, joten prosenttiosuuksien laskeminen ja uuden sarakkeen tuottaminen onnistui hyvin. Katsoin ensin statistics paneelista Suomen tarkan väkiluvun ja laskentatyökalulla laskin prosenttiosuudet kullekin kunnalle. Sitten koostin niistä sopivat viisi luokkaa ja sopivat värit. Halusin värien olevan selvästi toisistaan erottuvia, mutta kuitenkin samaa sävyluokkaa, jotta vaihtuvuuden luokkien välillä huomaa selkeästi.

Kuva 3. QGIS ohjelma. Tässä kohdassa käytin styling paneelia, jossa muodostin sopivat luokat prosenttiosuuksille.

Opin sen, että kartan ulkonäkö värimaailmasta lähtien on tärkeä asia panostaa, sillä se vaikuttaa siihen, miten karttaa tutkii. Käytin karttaa 2 (kuva 2) tehdessä paljon aikaa sen visuaaliseen ulkonäköön, jotta se olisi katsojalle mieluinen. Luin muiden kirjoittamia blogeja ja huomasin, että Tatu Jentze kertoo blogissaan (2023) linkistä informatiiviselle ArcGIS Blogin sivulle How to Make Smart Color Choices in Your Maps. Tatu huomaakin hyvin, miten tärkeää on kartan suunnitteluvaihe, jossa suunnitellaan, mitä värejä kartassa kannattaisi käyttää. Värit antavat kartan lukijalle mielikuvan sen sisällöstä ja eri värit toimivat eri kartoissa eri tavoin.

Attribuuttitaulukon katsominen ja tutkiminen on nyt paljon helpompaa. Käsitteet esimerkiksi QGIS:issä selkenivät kurssikerran jälkeen kuten sarake ja paneeli. Myös aineiston lataaminen koneelle ja QGIS ohjelmaan on nyt paremmin muistissa. Koin, että ohjelman käyttö oli paljon selkeämpää kun kartan teki toisen kerran käyttäen samaa taktiikkaa kuin tunnilla tekemässä kartassa.

Kiva jos luit <3

 

Lähteet:

Jentze T. (24.1.2023). Luento 1 – 18.1.2023. MAA-203 Tatu. https://blogs.helsinki.fi/jentze/2023/01/23/luento-1-18-1-2023/

Turunen T. (24.1.2023) 1. harjoituskerta 18.1.2023 https://blogs.helsinki.fi/ttyyne/