Kategoriat
Uncategorized

Vihdoinkin viimeinen viikko!

Vihdoinkin viimeinen kurssiviikko on meneillään geoinformatiikan menetelmät 1 -kurssin osalta! Ilmassa alkaa olla jo selvästi väsymystä ja hengähdyshetken tarvetta kiireisen alkuvuoden päätteeksi, minkä takia en suoraan sanottuna jaksanut täysillä panostaa viimeisen viikon tehtävään. Tiedän, että jos olisin edes vähän jaksanut tehdä enemmän ja paremmin niin lopputulos olisi ollut 100x parempi ja huolellisempi.

Tehtävää varten latasin Paitulista Maanmittauslaitoksen tuottaman aineiston kuntarajoista vuodelta 2020. Latasin Paitulista myös Tilastokeskuksen väestö kunnittain sekä oppilaitokset -aineistot vuodelta 2020. Kuntaraja-aineisto toimi tehtävässä pohjakarttana, jossa esitän lasten sekä oppilaitosten lukumääriä. Tarkoituksenani oli esittää kartoilla 0-14-vuotiaiden osuutta väestöstä ja oppilaitosten (peruskoulut ja lukiot erikseen) määrää kunnittain ja tarkastella, mitä alueellisia eroja näiden muuttujien suhteen on havaittavissa.

Ei niin visuaalisia ja onnistuneita karttoja…

Tuottamani kartat toimivat kuitenkin paremmin muistutuksena ja hyvänä esimerkkinä siitä, että visuaalisten, järkevien ja havainnolistavien karttojen tekeminen ei ole niin yksinkertaista. Esimerkiksi kuvissa 1 ja 3 esitän oppilaitosten määrää pylväinä, mutta pääkaupunkiseudun kohdalla pylväät ovat niin tiheään, että niitä on vaikea tulkita. Tarkennuskuvat osoittavat, että QGIS:issä karttaa zoomatessa pylväät tulevat esiin niin, että ne ovat tulkittavissa, mutta tämä ei tietenkään samalla tavalla onnistu valmiissa kartassa. Toisaalta pylväistä on vaikea tulkita absoluuttisia lukuarvoja tai siis sitä, kuinka monta oppilaitosta kussakin kunnassa on.

Kuva 1. 0-14 -vuotiaiden osuus väestöstä sekä peruskoulujen määrä kunnittain vuonna 2020. Oikeanpuolimmainen tarkennuskuva havainnollistaa pk-seudun oppilaitospylväitä. Lähteet: Maanmittauslaitos ja Tilastokeskus
Kuva 2. 0-14-vuotiaiden osuus väestöstä sekä peruskoulujen määrä kunnittain vuonna 2020. Lähteet: Maanmittauslaitos ja Tilastokeskus

Jollakin kurssikerralla tehtävänä oli liittää muuttujien arvot karttaan alueiden kohdalle. Tällöin en osannut tätä tehdä ja epäilinkin onko se visuaalisesti mahdollista. Nyt kun oli aikaa niin kokeilin hieman QGIS:in ominaisuuksia ja sattumalta löysin kohdan, jossa muuttujien numeroarvot voi liittää kartalle. Kuviin 2 ja 4 on lisätty kuntien kohdalle oppilaitosten lukumäärät. Näistäkin kuvista huomaa, että pääkaupunkiseudulla lukuja on niin tiheään, että tulkitseminen on mahdotonta. Kartoissa olisi toki voinut valita mustan tilalle paremman värin lukuarvojen esittämiseen, mutta se olisi tuskin parantanut pk-seudun lukujen tulkitsemista.

Kuva 3. 0-14-vuotiaiden osuus väestöstä sekä lukioiden määrä kunnittain vuonna 2020. Tarkennuskuva havainnollistaa pk-seudun lukiopylväitä. Lähteet: Maanmittauslaitos ja Tilastokeskus
Kuva 4. 0-14-vuotiaiden osuus väestöstä ja lukioiden määrä kunnittain vuonna 2020. Lähteet: Maanmittauslaitos ja Tilastokeskus

Mitä karttojen muuttujista voi sitten päätellä?

Lyhyesti sanottuna voisin jopa todeta, ettei tuottamistani kartoista voi päätellä juuri mitään. Koropleettikartoissa, joissa alueet ovat erikokoisia, on yleisesti ottaen hyvä esittää muuttujien suhteellisia lukuja. Näin tein nytkin esittäen 0-14-vuotiaiden osuutta kunnan väestöstä. Toisen muuttujan eli oppilaitosten arvot esitin absoluuttisina arvoina. Näin jälkeenpäin pohdittuani tässähän ei ole mitään järkeä, jos esimerkiksi haluaa tutkia, millainen suhde on lasten ja koulujen määrien välillä. Lasten suhteellinen osuus ei kerro siitä, kuinka paljon lapsia kunnassa asuu ja näin ollen ei voi esimerkiksi verrata, kuinka paljon kouluja on suhteessa lasten määrään.

Vika kerta ja pieleen meni, mitä opin?

Vaikka viimeisen viikon tehtävä ei mennytkään ehkä niin putkeen, sai se pohtimaan muun muassa karttojen tekemistä, QGIS-osaamistani ja omaa työskentelytyyliä. Tämän kurssin aikana olen huomannut, että QGIS:in perustoimintojen käyttäminen on yllättävän helppoa ja hyvien ohjeiden avulla oppii uusia toiminnallisuuksia. Vaikka koenkin siis osaavani käyttää QGIS:iä, se ei kuitenkaan tarkoita tämän viikon perusteella sitä, että osaisin tehdä järkeviä ja hienoja karttoja. Toisaalta tiedostan kuitenkin esimerkiksi mitä virheitä tällä viikolla tein ja virheet korjaamalla olisin saanut aikaan järkevämmät kartat. Ajattelin kuitenkin, että saisin hyvän blogipostauksen tuomalla esille tekemiäni virheitä ja pohtimalla niitä sekä tuomalla esille sen, että tämä seitsemän viikon rypistys ei valitettavasti ole tehnyt minusta fiksua karttojen tekijää.

Onneksi muut kurssilaiset ovat onnistuneet tekemään havainnollistavia karttoja! Esimerkiksi Taru Tornikoski (1.3.2022) on tehnyt selkeän kartan, joka havainnollistaa Galapagossaarien pinta-aloja ja lajimääriä. Johanna Enström (28.2.2022) on puolestaan tehnyt tyylikkäät ja upeat kartat kuntien taajama-asteista sekä rahankäytöstä.

Lähteet:

Ernström, J. (28.2.2022). Seitsemäs kurssikerta. Johannan Geoinformatiikan menetelmien blogi. Haettu 2.3.2022 osoitteesta https://blogs.helsinki.fi/joen/

Tornikoski, T. (1.3.2022). Vähiin käy ennen kuin loppuu – vai loppuuko sittenkään? Geoinformatiikkaa tutkimassa 🙂 – Geoinformatiikan menetelmät -kurssin blogi. Haettu 2.3.2022 osoitteesta https://blogs.helsinki.fi/tornitar/

Kategoriat
Uncategorized

Maanjäristyksiä ja tulivuoria

Kurssikerta numero 6 alkoi mukavalla reippailulla talvisessa säässä. Reippailun ideana oli itse kerätä sijaintitietoa, jonka pystyy siirtämään kartalle. Sijaintitiedon keräämiseen käytettiin Epicollect5-nimistä sovellusta, joka oli minulle jo entuudestaan tuttu Maantieteelliset kohteet lähiympäristössä -kurssilta. En kuitenkaan tiennyt, että sovellukseen merkityt kohteet voi siirtää oikealle kartalle ja näin tutkia kohteita ja kohteiden ominaisuuksia kartalla. Olikin mielenkiintoista oppia tämä seikka!

Itsenäistehtävä hasardeista

Kurssikerran itsenäistehtävänä oli puolestaan ladata internetistä hasardeihin liittyvää pistemuotoista tietoa ja luoda hasardien esiintymistä kuvaavia karttoja. Koska luonnonmaantiede ei ole ykkösjuttuni, päädyin tekemään tehtävän esimerkkinä annettua ideaa mukaillen. Latasin maanjäristystietokannasta kolme eri tiedostoa, jotka sisältävät tietoa aikavälillä 1.1.2000-22.2.2022 esiintyneistä yli 8 (kuva 1), 7 (kuva 2) ja 6 (kuva 3) richterin magnitudin maanjäristyksistä (event type: earthquakes). Lisäksi latasin tulivuoritietokannasta tiedoston, joka käsittää kaikki maapallon tuolivuoret.

Kuva 1. Yli 8 richterin magnitudin maanjäristykset 1.1.2000 – 22.2.2022 ja tulivuoret maailmankartalla.
Kuva 2. Yli 7 richterin magnitudin maanjäristykset 1.1.2000 – 22.2.2022 ja tulivuoret maailmankartalla.
Kuva 3. Yli 6 richterin magnitudin maanjäristykset 1.1.2000 – 22.2.2022 ja tulivuoret maailmankartalla.

Pelkät numerot eivät välttämättä aiheesta tietämättömälle kerro, miten richterin asteikko toimii. Asteikko perustuu kymmenkantaiseen logaritmiin. Kun magnitudi kasvaa yhdellä, niin maanliikkeen muutos on kymmenkertainen ja vapautuneen energian määrä nousee 32-kertaiseksi. Yli 8 richterin magnitudin maanjäristykset ovat asteikolla tuhoisimpia ja ne aiheuttavat tuhoa ja kuolemia hyvin laajalla alueella. Niitä tosin esiintyy keskimäärin alle kolme vuodessa. 7-7.9 richterin magnitudin maanjäristykset aiheuttavat vakavaa tuhoa sekä kuolemia laajalla alueella ja niitä esintyy keskimäärin 3-20 vuodessa. 6-6.9 richterin magnitudin maanjäristykset aiheuttavat puolestaan keskinkertaista tuhoa asutuilla alueilla ja niitä esiintyy keskimäärin 20-200 vuodessa. (Rafferty, 2020).

Ensimmäisessä kuvassa maanjäristyksiä esittäviä pisteitä on vain vähän, toisessa kuvassa niitä on selvästi enemmän ja kolmannessa kuvassa jo reilusti. Kuvat kertovat siitä, että kaikkein tuhoisimpia maanjäristyksiä esiintyy verrattain harvoin, mutta keskimääräistä tuhoa aiheuttavia puolestaan jo useampia vuodessa. Voisi siis todeta, että kuvat esittävät hyvin edellisen kappaleen faktatietoa.

Maanjäristysten ja tulivuorten esiintymisalueet

Kuva 4. Litosfäärilaatat kartalla. Lähde: https://earthhow.com/7-major-tectonic-plates/

Tuhoa aiheuttavia maanjäristyksiä esiintyy eniten litosfäärilaattojen reunavyöhykkeillä, joissa litosfäärilaatat liikkuvat toisiinsa nähden. Litosfäärilaattojen reunavyöhykkeisiin liittyvät puolestaan tulivuoret, joita esiintyy etenkin laattojen alityöntö- sekä erkanemisvyöhykkeissä. Tulivuorenpurkakset voivat laattojen liikkeiden ohella aiheuttaa maanjäristyksiä. Maanjäristys- ja tulivuorikarttojen avulla voisikin havainnollistaa ja opettaa myös litosfäärilaattojen toimintaa ja niiden vaikutusta maanjäristysten ja tulivuorten esiintymiseen. Kun vertaa kuvaa 4, joka esittää litosfäärilaattoja ja niiden reunoja, kuviin 1-3, huomaa, että maanjäristyksiä ja tulivuoria on eniten litosfäärilaattojen reunavyöhykkeissä. Etenkin kuvasta 3 huomaa maanjäristysten esiintyvyyden olevan suurinta Tyynenmeren alueella: tätä litosfäärilaattoihin kytkeytyvää aluetta kutsutaankin Tyynenmeren tulirenkaaksi.

Tyynenmeren tulirenkaalla esiintyy myös suuri osa maapallon tulivuorenpurkauksista. Tämä on nähtävissä hyvin Janne Turusen (22.2.2022) tekemissä kuvissa, joissa Turunen havainnollistaa maanjäristysten ja tulivuorenpurkauksien esiintyvyyttä maapallolla. Turunen on onnistunut tekemään visuaalisesti onnistuneet, hyvin ilmiötä havainnollistavat ja selkeät kuvat!

Loppupohdintaa:

Itsenäistehtävän tekeminen oli mielestäni helppoa ja mukavaa. Internetistä ladatun datan tuonti QGIS:iin oli vaivatonta. Helppoutta lisäsi se, että tehtävässä riitti esittää data pistemuotoisena eli sille ei tarvinnut tehdä QGIS:issä mitään. Ainoa pohdituttava asia liittyy kuvien havainnollisuuteen, sillä tuottamissani kuvissa tulivuoret tuntuvat peittyvän maanjäristyspisteiden alle kuvissa 2 ja 3. Päädyin kuitenkin siihen lopputulokseen, että koska tehtävässä oli tarkoitus esittää kuvasarja, riittänee varmaan hyvin, että tulivuorten sijainnit hahmottuu selvästi kuvassa 1.

Onneksi on enää yksi kurssiviikko jäljellä!

 

Lähteet:

Rafferty, J. P. (2020). Richter scale. Encyclopedia Britannica. Haettu 23.2.2022 osoitteesta https://www.britannica.com/science/Richter-scale

Turunen, J. (22.2.2022). Lumimyrskyjä ja maanjäristyksiä. Geoinformatiikan mystiset menetelmät. Haettu 23.2.2022 osoitteesta https://blogs.helsinki.fi/janneturunen/

Kategoriat
Uncategorized

Tiedon analysointia

Viides kurssikerta osoittautui yllättävän mukavaksi, sillä tällä kertaa viikon lähiopetuskerta vietettiin lähes kokonaan itsenäistehtäviä tehden. Neljä tuntia kului paljon nopeammin, kun joutui itse pähkäilemään, miten mikäkin tehtävä kannattaisi ratkaista. Ensisilmäyksellä tehtävät näyttivät haastavilta, mutta etenkin vierustoverin apu oli avainasemassa siinä, että tehtävien teossa pääsi sujuvasti liikkeelle. Loppujen lopuksi tehtävät eivät edes olleet niin vaikeita, varsinkaan viimeinen tehtävä, jonka jätin kotiin tehtäväksi. Tai, no, en voi tietää olenko tehnyt jotain kauheita virheitä tai mokia tehtävissä, mutta toivon todellakin etten ole.

Viikon uutena aiheena oli bufferointi. Bufferoinnissa eli puskuroinnissa määritetään tietynkokoinen alue, esimerkiksi viivan tai polygonin ympärille. QGIS:issä tämä onnistuu buffer-työkalulla, joka osoittautui yllättävän helpoksi ja näppäräksi välineeksi. Syntynyttä aluetta kutsutaan puskurivyöhykkeeksi eli bufferiksi, jonka sisältä voidaan laskea esimerkiksi kohteiden tai muuttujien määriä. Esimerkiksi itsenäistehtävässä 1 (linkki tehtävän tuloksia esittävään taulukkoon alla) luotiin puskurivyöhykkeet Malmin sekä Helsinki-Vantaan lentokenttien kiitoratojen ympärille ja tutkittiin asukkaiden määriä näillä vyöhykkeillä. Lentokoneethan aiheuttavat melua nousu- ja laskuvaiheessa, minkä takia asuminen lähellä kenttää voi olla ikävää. Tehtävässä selvisikin esimerkiksi, että 2 km säteellä Malmin lentokentästä asuu merkittävä määrä enemmän ihmisiä kuin 1 km säteellä kentästä. Toisaalta tällaisen puskuroinnin voisi suorittaa ennen rakentamista, eli määritetään tietty melualue kentän tai kentän kiiroratojen ympärille, joille ei meluhaitan takia myönnetä rakennuslupia. Puskuroinnin avulla voi myös esimerkiksi selvittää, mille alueelle kannattaa vaikkapa suunnitella uutta kauppakeskusta: Kuinka monta ihmistä kauppakeskus palvelisi? Millainen ikäjakauma kauppakeskuksen vaikutusalueella on eli mitä palveluja kauppakeskuksessa kannattaisi olla?

Ensimmäisen tehtävän ekan osan suurimmaksi haasteeksi osoittautui luetunymmärtäminen. Tai siis kyllä, osaan lukea, mutta en esimerkiksi aluksi tajunnut yhtään, millaiset kiitoradat tehtävässä pitäisi muka piirtää tai mitä tarkoitetaan Tikkurilan laskeutumissuunnan melualueella… Vaikka toisaalta siis osaisikin käyttää QGIS-ohjelmassa tehtävän ratkaisemisene tarvittavia työkaluja ja toimintoja niin toisinaan niiden käyttäminen on yksinkertaisesti hankalaa, jos ei tajua, mitä tehtävässä tarkalleen ottaen tarkoitetaan jollakin asialla.

Ensimmäisen tehtävän toinen osa olikin jo sitten paljon helpompi. Tällä kertaa bufferit tehtiin metro- ja juna-asemien ympärille, ja niiden avulla selvitettiin asukkaiden ja työikäisten määriä asemien läheisyydessä sekä kuinka suuri osuus kaikista alueen asukkaista asuu asemien läheisyydessä. Ennen kuin työikäisten määrää asemien läheisyydessä pystyi tutkimaan, täytyi selvittää työikäisten kokonaismäärä käyttämällä jo tutuksi tullutta field calculator-työkalua. Tuo työkalu onkin varmaan yksi QGIS:in tärkeimmistä, sillä sen avulla voi esimerkiksi laskea eri sarakkeissa olevien muuttujien arvojen välillä laskutoimituksia ja luoda uusille arvoille uusi sarake taulukkoon.

Tehtävän 1 taulukko

(Huom. ainakin itselläni taulukot näyttävät siltä niin kuin pitääkin Windows-käyttöjärjestelmällä ja Chrome-selaimella, mutta Macilla ja Safarilla katsottuna joillakin riveillä teksti ylittää sarakkeiden rajat…)

Toisessa tehtävässä (linkki tulostaulukkoon alla) jatkettiin samalla teemalla eli bufferoinnilla ja bufferin hyödyntämisellä analysoinnin tukena. Tähän tehtävään liittyen tuli mieleen, kuinka tärkeää on myös osata käyttää QGIS:in valintatyökaluja. Tehtävässä piti esimerkiksi selvittää, kuinka monella alueella ulkomaalaisia asuu yli 10, 20 ja 30 prosenttia, ja tämähän onnistui kätevästi käyttämällä valintatyökalua, jolla pystyy valitsemaan alueet tietyn muuttujan arvojen mukaan.

Tehtävän 2 taulukko

Kolmas tehtävä jäi tosiaan kotiin tehtäväksi. Tässä saikin valita kolmen eri tehtävävaihtoehdon perusteella, ja valinta päätyi tottakai siihen, mikä vaikutti helpoimmalta. Päädyin siis tutkimaan uima-altaiden ja saunojen määriä pääkaupunkiseudun pienalueilla. Tässä tehtävässä ei edellisten tapaan tarvittu (ainakaan mielestäni, ellen ole sitten tehnyt tehtävää väärin) bufferointia, vaan selvitin uima-altaiden ja saunojen määriä pienalueilla valmiin pienalueita esittävän tietokannan avulla. Kuten edellisessä, myös tässä tehtävässä valintatyökalujen hallinta osoittautui tärkeäksi taidoksi. Linkki tehtävän tuloksia esittävään taulukkoon on alla.

Tehtävän 3 (uima-altaat ja saunat) taulukko

Tehtävässä piti myös tuottaa kartta (kuva 1), joka esittää uima-altaiden määriä pienalueilla sekä numeroin että histogrammien avulla. Tehtävänannossa käskettiin lisäämään sekä pylväät että numeroarvot kartalle… Pohdin aluksi, pitääkö tehtävässä siis todella jokaisen alueen kohdalle kirjata numero. Tällöinhän valmis kartta olisi ollut mielestäni yhtä sekasotkua, sillä monet kartalla näyvistä alueista on hyvin pieniä ja toisaalta numeroiden täytyy olla tarpeeksi suurilla fontilla merkitty, jotta niitä näkee lukea. No, kompromissina tein sitten koropleettikartan vaikkei alueet olekaan tasakokoisia ja lisäksi lisäsin numeroarvot niiltä alueilta, joissa uima-altaita on eniten. Ne alueet, joilla ei ole pylvästä (tai viivaa), ei ole ollenkaan uima-altaita missään rakennuksessa tietokannan mukaan.

Tehtävän teon jälkeen ja tätä blogitekstiä kirjoittaessani huomasin, että Nea Tiainen (17.2.2022) oli tehnyt saman tehtävän ja onnistunut luomaan siistin ja hienon kartan niin, että numeroarvot todella ovat pienalueiden kohdalla. Tehtävänannon noudattaminen ja informatiivisen kartan tekeminen olisi siis ollut mahdollista.

Pieni haaste tehtävässä oli saada liitettyä pienalueita esittävään tietokantaan uima-altaita kuvaavat arvot. QGIS vain herjasi minulle ettei tämä onnistu. Tovin siinä yritin ja yritin uudestaan, kunnes tajusin lukea virheilmoituksen paremmin. Pienalueita esittävässä tietokannassa oli muutama kohde, jotka saivat virheellisiä arvoja eikä QGIS sen takia pystynyt tekemään tietokantaliitosta. Tämän sai onneksi korjattua antamalla QGIS:ille ohjeeksi ignoorata virheelliset arvot. Tämä näkyy myös kartalla niin, ettei kahdesta pienalueesta ole saatavilla tietoja uima-altaiden määrästä. Toisaalta ihan hyvä, että tällaisia ongelmia tulee esiin, sillä niiden selvittämisen kautta oppii aina uutta!

Kuva 1. Uima-altaiden määrä pääkaupunkiseudulla pienalueittain.

Tämän viikon tehtäviä tekiessä sain huomata, että QGIS-ohjelman käyttäminen alkaa pikku hiljaa sujua. Sanotaanko näin, että helpointa on sellaisten työkalujen käyttö, joita on tullut käytettyä eniten ja useamman kurssiviikon tehtävissä, sillä oppiminen tapahtuu toistojen kautta. Sen sijaan sellaisten työkalujen, joiden olemassaolo ja käyttö on käyty läpi monta viikkoa sitten ja joita ei sittemmin ole tarvinnut, käyttäminen on varmaankin hankalampaa ihan jo sen takia, että helposti unohtuu jopa niiden olemassaolo.

Vaikka kurssi on osoittautunut yllättävän mielenkiintoiseksi, voin helpottuneena sanoa, että onneksi ollaan jo selvästi voiton puolella, sillä jäljellä on enää kaksi kurssiviikkoa!

Lähde:

Tiainen, N. (17.2.2022). Viikko 5. Epätoivon buffereita. Melkein gis-guru siis itsekin. Haettu 17.2.2022 osoitteesta https://blogs.helsinki.fi/tiainea/

Kategoriat
Uncategorized

Voihan pisteet ja ruudut

Neljännellä kurssiviikolla tavoitteena oli tutustua ruutu- ja rasterikarttoihin sekä pistemuotoiseen aineistoon. Viikon lähiopetuskerralla käytiin vaikka ja mitä uusia QGIS:in toiminnallisuuksia läpi. Kun joka viikolla käydään läpi liuta uusia toiminnallisuuksia, alkaa pikku hiljaa tuntua siltä, että miten minä nämä kaikki muistan, kun jokaisessa toiminnallisuudessa on miljoona kohtaa ja muistettavaa asiaa. Pitää varmaan vain toivoa sormet ristissä, että tulevaisuudessa pärjään niillä taidoilla, jotka ovat jotenkin onnistuneet tallentumaan aivojeni muistilokeroihin.

Pistemuotoinen aineisto on hyvin tarkkaa. Nimensä mukaisesti sitä voi kerätä pistemuotoisista kohteista, kuten väestöstä, rakennuksista tai luontohavainnoista. Käytännössä pisteaineistoa voi kerätä hyvin laajalti erilaisista kohteista – vain mielikuvitus on rajana. Pistemuotoista aineistoa voidaan esittää esimerkiksi pistekartalla: pistekartta on pistesymbolikartta, jossa pistemäisellä symbolilla esitetään kohteen sijainti ja laatueroasteikolla ilmoitettu ominaisuus (Sanastokeskus TSK, 2018).

Pistemuotoista aineistoa esitetään usein myös ruutukartalla. Ruutukartta on aluesymbolikartta, jonka alueet ovat tasakokoisia ruutuja valitussa koordinaattijärjestelmässä (Sanastokeskus TSK, 2018). Käytännössä pistemuotoista aineistoa voidaan esittää ruutukartalla esimerkiksi niin, että lasketaan yhteen tiettyä muuttujaa esittävän pisteiden määrä tietyssä ruudussa ja saatuja lukemia voidaan esittää koropleettikartan tavoin.

Ruotsinkielinen väestö ruutukartalla

Kurssin alkukerroilla tuli tehtyä muutama koropleettikartta, ja koska tällöin käytössä ei ollut ruutukarttaa vaan muuttujien määriä esitettiin erikokoisilla alueilla, oli tällöin tärkeää muistaa esittää muuttujia suhteututetuilla luvuilla. Ruutukartalla muuttujien esittäminen osuuksina ei ole välttämätöntä, sillä alueet ovat samankokoisia. Ruutukarttaan voi kuitenkin syntyä suuriakin eroja riippuen siitä, käyttääkö suhteutettuja vai absoluuttisia lukuja, ja siitä, millainen muuttuja on kyseessä. Tähän liittyen minua kiinnostikin selvittää, mitä eroja tai samanlaisuuksia ruutukartoissa on, kun esitetään ruotsinkielisten määriä absoluuttisilla arvoilla sekä suhteutettuna ruudun alueella asuvien määrään.

Kuva 1 havainnollistaa ruotsinkielisten osuuksia väestöstä ruuduittain. Karttaa tutkimalla voitanee sanoa, että mitään tiettyä ruotsinkielistä keskittymää ei pääkaupunkiseudulla ole. Vähiten ruotsinkielisiä asuu Koillis- ja Itä-Helsingissä sekä Länsi- ja Itä-Vantaalla. Tässä tapauksessa tulee kuitenkin huomioida, että jos ruudun alueella asuu vähän ihmisiä, esimerkiksi vaikka 10 ihmistä, jo muutama ruotsinkielinen nostaa osuutta verrattuna sellaiseen ruutuun, kuten Helsingin kantakaupungin alueelle osuvaan ruutuun, jossa asukasmäärä lasketaan tuhansissa.

Kuva 1. Ruotsinkielisten osuus (%) pääkaupunkiseudun väestöstä vuonna 2015.
Lähde: SeutuCD’15

Kuva 2 kuvaa ruotsinkielisen väestön määrää absoluuttisilla arvoilla. Jo ensisilmäyksellä näkee, että kartta on aivan erilainen verrattuna ensimmäisen kuvan karttaan. Oletettavasti kartasta huomaa, että eniten ruotsinkielisiä asuu Helsingin kantakaupungin alueella. Kauniaisissa on myös ruotsinkielisten keskittymä, samoin Matinkylä-Westend akselilla Espoossa sekä Vuosaaren alueella.

Kuva 2. Ruotsinkielinen väestö absoluuttisin arvoin esitettynä pääkaupunkiseudulla vuonna 2015.
Lähde: SeutuCD’15

Se, kumpi näistä kartoista on havainnollisempi ja parempi, riippuu siitä, mitä kartalla on tarkoitus viestiä. Halutaanko kartalla esittää, miten paljon ruotsinkielisiä alueella asuu suhteessa muuhun väestöön vai halutaanko esittää, missä päin pääkaupunkiseutua ruotsinkielinen väestö asuu?

Tuottamani kartat ovat selkeitä ja esittävät haluttua asiaa. Helpottaakseni karttojen lukemista lisäsin niihin suuralueiden rajat; tosin suuralueiden rajat tuskin ovat kaikille niin tuttuja, että suuralueet automaattisesti tunnistaisi kartalta. Esimerkiksi Janne Turunen on tehnyt samasta ilmiöstä kartan blogiinsa (Turunen, 9.2.2022) ja kartta on selkeästi havainnollisempi, sillä hän on ollut fiksu ja lisännyt kartalle suuralueiden rajojen lisäksi niiden nimet.

Korkeuskäyrien tutkimista

Kurssikerran kotitehtävänä oli tutkia ja vertailla korkeuskäyriä. Laadin QGIS:illä korkeusmallin perusteella korkeuskäyrät 5 metrin välein peruskarttalehdelle. Lisäksi latasin Maanmittauslaitoksen sivuilta Pornaisten kohdalle osuvan peruskarttalehden. Zoomasin karttoja pienemmälle alueelle, jotta eroja pystyy paremmin tarkastelemaan.

Kuva 3 esittää karttalehteä, johon piirsin korkeuskäyrät 5 metrin välein ja kuvassa 4 käytetty karttalehti on puolestaan Maanmittauslaitoksen peruskarttarasteri. Karttoja tutkimalla huomaa, että kartoissa on ero korkeuskäyrien tarkkuudessa. Maanmittauslaitoksen kartassa korkeuskäyriä on enemmän eli ne on siis tiheämmin ja tarkemmin merkattu.

Kuva 3. Korkeuskäyrät 5 metrin välein peruskarttalehdellä.
Kuva 4. Korkeuskäyrät Maanmittauslaitoksen sivuilta ladatussa peruskarttalehdessä. Lähde: https://tiedostopalvelu.maanmittauslaitos.fi/tp/kartta

 

Lähteet:

Sanastokeskus TSK (2018). Geoninformatiikan sanasto. 4. laitos. TSK 51.

Turunen, J. (9.2.2022). QGIS – ruutuja ja rasterikarttoja. Geoinformatiikan mystiset menetelmät. Haettu 9.2.2022 osoitteesta https://blogs.helsinki.fi/janneturunen/

Kategoriat
Uncategorized

Tietokantojen parissa työskentelyä

Kolmannella kurssiviikolla aiheena olivat tietokannat ja tavoitteena oli tietokantoihin liittyen oppia muun muassa yhdistämään ulkoista tietoa tietokantaan, yhdistämään tietokannan sisällä olevaa tietoa ja tuottamaan tietokantaan uutta tietoa vanhan tiedon avulla. Eri tietokantaharjoitusten parissa työskenneltyä lopputuloksena oli kuvan 1 kartta. Tällä kertaa siirryimme siis ainakin hetkeksi pois Suomesta!

Kuva 1. Harjoitustyöpajassa tehtiin tietokantoja hyödyntäen kartta, joka esittää merkittävimpien konfliktien, timanttien sekä öljy- ja maakaasuesiintymien sijaintia Afrikassa.

Onnekseni olin ensimmäisellä kurssiviikolla ahertanut itsenäisten tehtävien parissa; tällöin olin tehnyt tehtävän, jossa piti liittää ulkoista tietoa olemassa olevaan tietokantaan. Kun olin sen jo kerran itsekseen tehnyt, oli mukava kun tunnilla pystyin rennosti seuraamaan, kun opettaja opetti juuri tätä asiaa. Välillä ekstratyö siis kannattaa, sillä siitä on parhaassa mahdollisessa tapauksessa hyötyä tulevaisuudessa.

Opin kuitenkin myös paljon uutta tietokantojen käyttämiseen ja hyödyntämiseen liittyen. Ehkäpä mielenkiintoisin asia, minkä opin, on tietokannan sisällä olevan, toistuvan tiedon yhdistämisen. Käytössämme oli siis tietokanta, jossa monet Afrikan maan toistuivat jopa kymmeniä kertoja, esimerkiksi siksi, että jokainen tietylle valtiolle kuuluva saari oli merkitty tietokantaan erillisenä kohteena. Jos tarkoituksena on nimenomaan tarkastella näitä kaikkia valtion kohteita erikseen, ei tässä ole mitään ongelmaa. Jos kuitenkin haluaa saada ja esittää tietoa koko valtiosta, on valtion erilliset kohteet yhdistettävä toisiinsa jonkin tunnuspiirteen, kuten valtion nimen, avulla. Yhdistämiseen on usempi toimiva keino, mutta tehokkaammaksi osoittautui Aggregate-työkalu, joka myös mahdollistaa esimerkiksi valtion eri kohteiden pinta-alojen summaamisen samalla kertaa.

Toinen mielenkiintoinen oppimani asia QGIS:in käytössä on, miten tietoa voi tuottaa tietokantaan sijaintiedon perusteella. Käytössämme oli konflikti-tietokanta, joka esittää sattuneita konflikteja Afrikan valtioissa. ”Ongelmana” tuossa tietokannassa oli se, että se tietenkin esitti saman vuoden aikana tapahtuneet erilliset konfliktit erillisinä. Tarkoituksenamme oli kuitenkin tarkastella alueiden jatkuvaa vakautta/epävakautta, minkä takia oli järkevää laskea tapahtumavuoden avulla, kuinka monena vuonna konflikteja on ollut. Aivan mahdollistahan on, että jossakin valtiossa on vaikka muutaman vuoden aikana ollut paljon konflikteja ja jossakin toisessa valtiossa taas vuosikymmenen ajan tasaisesti; ensimmäiseksi mainitussa on saattanut olla hetkellinen epävakaustilanne, jälkimmäisessä epävakaat olot ovat puolestaan olleet jatkuvampia.

Kuvan 1 kartan perusteella voisi päätellä, että timanttikaivosten ja öljykenttien määrä alueella on yhteydessä konfliktien määrään. Kartalla on kuitenkin myös sellaisia valtioita, joiden alueella joko on pelkästään timanttikaivoksia tai on ollut konfilkteja. Karttoja analysoidessa onkin tärkeää aina muistaa, voiko sen esittämiin muuttujiin vaikuttaa jotkin muut muuttujat, etenkin silloin, jos tutkitaan muuttujien välistä yhteyttä. Taru muistuttaakin oivasti blogissaan: Päättelyssä täytyy aina olla varovainen ja tulkita tuloksia, ei omaa maalaisjärjen ohjailemaa ajatusta siitä, että öljykentät ja timanttikaivosteollisuus varmastikin lisäävät köyhissä maissa levottomuuksia ja aseellisia konflikteja. Konfliktien esiintymistä selittäviä muita tekijöitä on varmasti useita, kuten valtion kehitys- ja taloustilanne, tulonjaon tasaisuus, poliittinen tilanne, muiden luonnonvarojen esiintyminen tai esiintymättömyys sekä etenkin tulevaisuudessa yhä vahvemmin ilmastonmuutos.

Myös itsenäisessä harjoitustehtävässä oltiin tietokantojen maailmassa. Tehtävänanto ja vaadittavat toimenpiteet vaikuttivat helpolta, mutta aivan helpolla en loppupeleissä päässyt. Karttaesitystä (kuva 2) varten piti laskea tulvaindeksi. Käytännössä se siis tarkoitti tietokantojen ja tiedostojen yhdistämistä ja pienen laskuoperaation suorittamista. Pitäisi olla helppoa! Muiden blogeja selatessa huomasin, että muiden kartat näyttävät tulvaindeksin osalta täysin erilaisilta. Olin onnistunut laskemaan indeksit väärillä muuttujien arvoilla… Noh, onneksi ongelma oli pieni ja se oli helposti ratkaistavissa. Isompi haaste liittyi kuitenkin visuaalisten histogrammi-pylväiden yhdistämiseen karttaan. Ensin en saanut kartalle mitään näkyviin ja hieman säädettyäni asetuksia sain vain leveitä viivoja… Katselin lumoutuneena Jessikan blogissaan esittelemää taidonnäytettä, ja ihmettelin, miten hän on saanut histogrammipylväät karttaan ja muutenkin silmää hivelevän kartan aikaan. Monia eri painikkeita ja kohtia, joissa arvon suuruutta pystyi muokkaamaan, muuttamalla ja paljon aikaa käytettyäni sain kuin sainkin oikeanlaiset pylväät karttaan. Tai ainakin toivon kovasti, että niiden oli tarkoitus olla edes jokseenkin tuollaisia.

Kuva 2. Itsenäisenä harjoituksena aikaansaamani kartta Suomen tulvaindekseistä ja järvisyysasteesta.

Karttaan liittyen tarkoituksena olisi pohtia, miten järvisyys ja tulvaindeksi liittyvät toisiinsa. Vaikka luonnonmaantiede on mielenkiintoista, se ei todellakaan ole vahvinta osaamistani, sillä olen viime vuosina keskittynyt aivan muihin asioihin. Olen siis suoraan sanottuna  (mielestäni) unohtanut kaiken luonnonmaantieteeseen vähänkin liittyvän tiedon. Tulvaindeksihän vertaa ylivirtaamaa eli tulvaa ja alivirtaamaa eli kuivaa kautta toisiinsa. Käytännössä laskemani MHQ/MNQ-indeksi kuvaa, kuinka moninkertainen on virtaaman huippu verrattuna kaikkein kuivimpaan aikaan. Järvisyys puolestaan tarkoittaa, kuinka suuri osa valuma-alueen pinta-alasta on järviä.

Jos karttaa (kuva 2) nyt näillä edellä mainituilla tiedoilla sitten analysoi, niin voi sanoa, että mitä enemmän alueella on järviä, sen vähemmän siellä on tulvia, sillä virtaama on tasaisempaa. Kartalta näkee, että tällaisia alueita on etenkin Järvi- ja Itä-Suomessa sekä Lapissa. Sen sijaan rannikkoalueilla sekä Pohjanmaalla tulvaindeksi on korkea ja järvisyysprosentti matala. Pohjanmaan tilannetta selittänee laakeat maat ja peltoisuus, joiden takia vesi ei välttämättä virtaa yhtä vikkelästi kuin epätasaisemmassa maastossa. Esimerkiksi lumien sulaessa voi käydä niin, että vesi jää pellolle. Rannikkojen tilannetta selittäväksi tekijäksi olisin maininnut hulevesitulvat, mutta sitten pohdin, että niitä ei ehkä ole laskettu tulvaindeksiin mukaan, koska ne eivät sinänsä liity valuma-alueeseen. Hulevesitulvahan tarkoittaa tulvaa, jossa esimerkiksi rankkasateen jäljiltä hulevesiviemärit eivät ehdi niellä vettä tarpeeksi nopeasti vaan vesi kerääntyy maan pinnalle. Toinen veikkaukseni rannikoiden tulvimissyyhyn ovat aallot, merialueella kun ollaan.

Kaiken kaikkiaan tämän viikon teema oli mielenkiintoinen. Viikon harjoituksissa yhdistyivät sekä helppous että vaikeus. Välillä on mukavaa kun pääsee helpolla, mutta toisaalta välillä on hyvä vaivata myös aivonystyröitä!

Lähteet:

Isomeri, J. (1.2.2022). Viikko 3 – tietokantojen tulva. Jessikan GIS-hurvittelut. Haettu 2.2.2022 osoitteesta https://blogs-test.it.helsinki.fi/jessikangishurvittelut/

Tornikoski, T. (1.2.2022). Tietokantojen yhdistely – kaatumisia ja nousuja. Geoinformatiikkaa tutkimassa 🙂 – Geoinformatiikan menetelmät -kurssin blogi. Haettu 2.2.2022 osoitteesta https://blogs.helsinki.fi/tornitar/

Kategoriat
Uncategorized

Karttaprojektion vaikutus karttaan

Geoinformatiikan menetelmät 1 -kurssin toisella kurssiviikolla tutustuttiin lisää QGIS-ohjelman käyttöön. Tällä kertaa erityisenä tarkastelun kohteena olivat karttaprojektioiden vaikutus karttaesitykseen, ja tässä blogipostauksessa keskitynkin tarkastelemaan, miten Suomi näyttäytyy neljän eri karttaprojektion kautta.

Suomessa on vuodesta 2005 lähtien käytetty maastokartoissa ETRS TM35FIN -tasokoordinaattijärjestelmää, jonka karttaprojektiona on poikittainen Mercatorin projektio. Suomi on kuvattu järjestelmässä yhdessä leveydeltään 13 asteen projektiokaistassa. Kaistan keskimeridiaani yhtyy UTM-karttaprojektiokaistan 35 kanssa. Suorana kuvautuvan keskimeridiaanin kohdalla mittakaavat kuvautuvat oikeanlaisina, mutta mitä etäämmäksi länsi-itä suunnassa keskimeridiaanista mennään, sitä kaarevimpia pituuspiirit ovat ja sitä isompi on mittakaavavirhe. Tähän mennessä ETRS TM35FIN -järjestelmä on ollut oletusprojektiona QGIS-harjoituksissa, ja käytänkin sitä nyt oletusprojektiona, johon vertaan kolmea muuta karttaprojektiota.

Pituus (km) Pinta-ala (km²)
Projektio Ellipsoidinen Cartesian Ellipsoidinen Cartesian
ETRS TM35FIN 534 534 3464 3410
Cassini 541 538 3508 3456
Mercator 533 1168 3482 29403
Wagner IV 535 686 3507 3490

Taulukko 1. Pituuksien ja pinta-alojen eroja eri projektioissa.

Kuva 1. Suomen leveimmän kohdan mittaaminen eri projektioista.
Kuva 2. Pinta-alan mittaaminen eri projektioita käyttäen.

Vertailuprojektioiksi valitsin Cassinin, Mercatorin ja Wagner IV:n projektiot. Cassinin projektio on poikittainen sylinteriprojektio, joka ei ole oikeakulmainen eikä oikeapintainen, mutta joka esittää skaalan oikeana päiväntasaajan ja sitä kohtisuoraan olevien pituuspiirien kohdalla (Snyder, 1987: 92). Taulukko 1 osoittaa Cassinin projektion esittävän vain pieniä eroja pituuksissa ja pinta-aloissa verrattuna ETRS TM35FIN:iin. Kuva 1 kuitenkin osoittaa, että Suomi on kuvattu selvästi vinossa Cassinin projektiolla. Kuva 3 puolestaan osoittaa sen totuuden, ettei projektio ole oikeapintainen: Kuntien pinta-alat ovat koko kartalla 1,1-3,5 prosenttia ETRS TM35FIN -järjestelmää suuremmat. Pinta-alat suurenevat luoteesta kaakkoon päin.

Kuva 3. Cassinin projektiolla kuntien pinta-alat suurenevat luoteesta kaakkoon päin siirtyessä.

Mercatorin projektio on oikeakulmainen projektio eli se sopii hyvin esimerkiksi navigointiin. Projektiossa pituus- ja leveyspiirit esitetään yhdensuuntaisina viivoina. Pituuspiirien etäisyys toisista on kartalla koko ajan sama, mutta sen sijaan leveyspiirien etäisyys toisistaan kasvaa napoja kohti. (Snyder, 1987: 38). Leveyspiirien etäisyyksien kasvu aiheuttaa vääristymiä projektiossa, minkä huomaa taulukon 1 arvoista sekä kuvasta 1. Taulukon 1 mukaan Suomen leveimmän kohdan karteesinen eli koordinaattijärjestelmän mukainen pituus itä-länsi -suunnassa on Mercatorin projektiolla 1168 km eli yli 600 kilometriä enemmän kuin ETRS TM35FIN -koordinaattijärjestelmällä mitattuna. Vaikka kuva 2 ei näytä suurta eroa Mercatorin projektiolla ja ETRS TM35FIN -järjestelmällä esitetyissä kartoissa, on niistä lasketuissa pinta-aloissa valtava ero: Mercatorin projektiolla esitetyn kartan kohteen pinta-ala on 8,6-kertainen ETRS TM35FIN -järjestelmällä esitetyn karttakohteen pinta-alaan verrattuna. Leveyspiirien etäisyyksien kasvua napoja kohti havainnollistaa myös kuva 4: jo Etelä-Suomessa kuntien pinta-alat ovat nelinkertaiset ja pohjoisessa jopa 8-kertaiset verrattuna ETRS TM35FIN -järjestelmään.

Kuva 4. Mercatorin projektiolla kuntien pinta-alat suurenevat etelästä pohjoiseen päin.

Wagner IV:n projektio on pseudosylindrinen projektio, jossa leveyspiirit ja nollameridiaani ovat suoria viivoja: loput meridiaaneista kaartuvat sitä enemmän, mitä kauemmaksi nollameridiaanista mennään. Projektiolle ominaista on se, ettei se ole oikeakulmainen, oikeapintainen eikä oikeakeskipituinen vaan näiden ominaisuuksien suhteen on tehty kompromisseja mahdollisimman tasapainoisen karttaprojektion aikaansaamiseksi. (Snyder & Voxland, 1989: 62). Taulukosta 1 näkee, että Wagner IV:n projektiolla sekä pituuksissa että pinta-aloissa on kasvua ETRS TM35FIN -järjestelmään verrattuna. Esimerkiksi karteesinen pituus on 150 kilometriä pidempi. Kuva 5 osoittaa kuitenkin toista: kuntien pinta-alat ovat 0,3-0,7 prosenttia pienemmät kuin ETRS TM35FIN järjestelmällä. Tämä tuloksien eroavaisuus ihmetyttää minua, mutta sain samat tulokset toisellakin mittaus- ja kartanteko kerralla. Voi olla, että tulokset ovat aivan oikein, tai sitten olen epähuomiossa tehnyt jotain väärin.

Kun Cassinin ja Mercatorin projektioilla kuntien pinta-alaeroissa on näkyvissä selkeä kaava, ei tällaista aivan yhtä selkeää kaavaa ole Wagner IV:n projektiolla. Kuva 5 osoittaa, kuinka pienimmät pinta-alaerot ovat Kaakkois-Suomessa, mutta yksittäisiä tähän luokkaan kuuluvia kuntia on irrallaan muiden luokkien keskellä — ja yksi jopa Pohjois-Suomessa. Pienimpiä eroja esittävän luokan ympärillä on kehittäin muut luokat kohti isompia pinta-alaeroja, mutta muissakin luokissa on kuntia, jotka ovat kartalla irrallaan, toiseen luokkaryhmään kuuluvien kuntien keskellä. En osaa sanoa, mistä tämä johtuu: Olisiko syynä se, että Suomen kartta kuvautuu vinosti eikä suoraan ylhäältä päin katsottuna (kuvat 1 ja 2)?

Valitsemani projektiot luovat kaikki täysin erilaisen värien ilotulituksen kartalle. Josefina Valjus (26.1.2022) ja Hanna Pelkonen (26.1.2022) ovat sen sijaan valinneet vertailuunsa vain sellaisia projektioita, joita käyttämällä kaikki kartat näyttävät visuaalisesti samalta, kuin havainnollistamallani Mercatorin projektiolla (kuva 4) – erona karttojen välillä on kuitenkin pinta-alojen suhteet. Karttaprojektiot voivat siis yhtä aikaa sekä luoda samoja visuaalisia esityksiä ollen kuitenkin aivan erilaisia. Josefina tuo blogissaan esille esimerkiksi Mercatorin projektion ja Millerin sylinterimäisen projektion eron: Molemmat projektiot aiheuttavat samankaltaiset vääristymät päiväntasaajan läheisyydessä mutta Millerin projektio ei vääristä pinta-aloja napapiirien läheisyydessä yhtä paljon kuin Mercator. Hanna puolestaan kertoo blogissaan kuinka, Robinsonin projektio ei ole oikepintainen eikä oikeakulmainen, mutta siinä on pyritty minimoimaan molemmat virheet, minkä takia suhteelliset pinta-alaerot Robinsonin projektiota käytettäessä ovat pienemmät kuin Mercatorin projektiota käytettäessä.

 

Lähteet:

Pelkonen, H. (26.1.2022). 2 viikko: Pinta-aloja ja erilaisia projektioita. Hannan kurssiblogi – Geoinformatiikan menetelmät 1. Haettu 27.11.2022 osoitteesta https://blogs.helsinki.fi/pelkohan/

Snyder, J. P. (1987). Map Projections: A Working Manual. U.S. Geological Survey Professional Paper 1395. Washington, DC: United States Government Printing Office. https://doi.org/10.3133/pp1395

Snyder, J. P. and Voxland, P. M. (1989). An Album of Map Projections. U.S. Geological Survey Professional Paper 1453. Washington, DC: United States Government Printing Office.
https://doi.org/10.3133/pp1453

Valjus, Josefina (26.1.2022). Toinen kurssikerta. Josefinan GIS-blogi – Geoinformatiikan menetelmät kurssiblogi. Haettu 27.1.2022 osoitteesta https://blogs.helsinki.fi/jjvaljus/

 

Päivitetty: 27.1.2022 klo 18.20

Kategoriat
Uncategorized

Henkilöstökulut kunnittain kartalla

Edellisessä blogipostauksessa kerroin haasteista liittyen ensimmäisen kurssiviikon itsenäisiin QGIS:sillä tehtäviin tehtäviin. Koska minulla sattui olemaan ylimääräistä aikaa, päätin vielä kokeilla vaikeustason 2 tehtävää, jossa tarkoituksena oli etsiä internetistä kuntiin liittyvää dataa, jota voi esittää kurssin materiaaleissa olevalla kuntapohjalla.

Hyödynsin tehtävässä Tilastokeskuksen Kuntien ja kuntayhtymien raportoimat taloustiedot -tietokantaa, josta valitsin tarkasteltavaksi muuttujaksi kuntien henkilöstökulut. Tarkasteltavaksi vuodeksi valitsin vuoden 2015, sillä myös kurssimateriaalin kuntapohja on vuodelta 2015. Jos olisin valinnut tuoreemman vuoden, kuten vuoden 2020, tietokantojen tiedot eivät olisi sopineet täysin yhteen, sillä kuntien määrä on laskenut vuoden 2015 jälkeen. Tietojen liittämisessa kuntapohjaan käytin apuna QGIS Tutorials and Tips -verkkosivuston ohjeita, joiden avulla tehtävän tekeminen onnistui suhteellisen helposti.

Oikeastaan ainoa QGIS:iin liittyvä uusi haaste tässä tehtävässä ilmeni tekstinkäsittelyssä. QGIS:iin tuomani tiedosto sisälsi ääkkösiä, joita ohjelma osaa käsitellä, jos tiedosto on koodattu oikeaan muotoon eli UTF:8:aan. Näin ei kuitenkaan automaattisesti ollut, minkä seurauksena ohjelma ei pystynyt yhdistämään tiedoston tietoja kuntapohjaan. Onneksi kuitenkin tajusin nopeasti, mistä ongelma johtuu ja löysin paikan, jossa voin muutta tiedoston koodausasetuksia.

Valmis koropleettikartta esittää siis kuntien henkilöstökuluja vuonna 2015 (kuva 1). Kuntien henkilöstökulujen osuudet on suhteutettu koko maan henkilöstökuluihin. Luokkien ja luokittelutavan valinta oli haastavaa, sillä Suomessa on selvästi paljon sellaisia kuntia, joiden henkilöstökulujen osuus suhteessa koko maahan on alhainen, ja vähän sellaisia kuntia, joiden henkilöstökulujen osuus suhteessa koko maahan on selvästi muita kuntia korkeampi. Kuten kartasta näkee, suurin osa kunnista on väritetty vaaleimmalla virheän sävyllä (henkilöstökulut 0-0,21 %). Tummimmalla värillä on väritetty vain Helsinki (henkilöstökulut 4,63-12,5 %). Jos olisin lisännyt luokkien määrää valitsemastani kuudesta luokasta, olisi alhaisempia henkilöstökuluja ilmaisevien luokkien luokkarajat käyneet vain pienemmiksi. Toki olisin voinut valita luokittelutavaksi myös jonkin muun kuin luonnollisilla rajoilla luokittelun, mutta en ole varma olisiko sekään parantanut tilannetta.

Ylipäänsä kartta kuitenkin havainnollistaa sitä todellisuutta, että mitä isompi kunta on, sen enemmän sillä on henkilöstökuluja. Kunnan suuruus vaikuttaa siihen, kuinka paljon palveluja se tuottaa asukkailleen; mitä enemmän kunnassa on asukkaita, sen enemmän kunta joutuu tuottamaan palveluja heille ja mitä enemmän palveluita kunta tuottaa, sen enemmän se tarvitsee henkilökuntaa ja sitä enemmän sillä on henkilöstökuluja. Isommat kunnat saattavat myös tuottaa laajemmin sellaisia palveluja, joita kuntien ei ole pakko tuottaa (esimerkiksi uimahalli- ja muita liikuntapalveluja), mikä nostaa niiden henkilöstökuluja. Helsinki korostuu selvästi muusta maasta henkilöstökuluillaan. Viidenteen luokkaan (2,25-4,63 %) lukeutuu isoja kaupunkeja: Espoo, Vantaa, Turku, Tampere ja Oulu. Neljänteen luokkaan (1,22-2,25) lukeutuu puolestaan keskisuuria kaupunkeja: Jyväskylä, Kuopio, Joensuu, Pori, Kouvola ja Lahti. Kartasta näkee, että alimpaan luokkaan kuuluvia kuntia on enemmän muualla kuin Etelä-Suomessa, mitä selittänee väestön keskittyminen Etelä-Suomeen.

Kuva 1. Kuntien henkilöstökulut vuonna 2015. Lähde: Suomen virallinen tilasto (SVT). (2016). Kuntien tilinpäätökset 2015. Kuntatalous.
ISSN=2343-4147. Helsinki: Tilastokeskus Haettu 24.1.2022 osoitteesta: http://www.stat.fi/til/kta/meta.html

Lähde:

Suomen virallinen tilasto (SVT). (2016). Kuntien tilinpäätökset 2015. Kuntatalous.
ISSN=2343-4147. Helsinki: Tilastokeskus Haettu 24.1.2022 osoitteesta: http://www.stat.fi/til/kta/meta.html

Kategoriat
Uncategorized

Ensimmäinen kurssikerta

Geoinformatiikan menetelmät 1 -kurssin ensimmäisellä kurssikerralla (18.1.2022) tutustuttiin paikkatiedon perusteisiin sekä siihen, miten paikkatietoa voidaan esittää visuaalisesti. Lisäksi tutustuttiin QGIS-ohjelman käyttöön. QGIS on minulle uusi ohjelma, minkä takia hieman mietin, kuinka hyvin pääsen perille ohjelman käytöstä. Mietiskelyt olivat ehkä turhia, sillä ainakin näin ensimmäisellä kerralla, kun ohjelman käyttöä harjoiteltiin vaihe vaiheelta opettajan johdolla, sain ainakin jokseenkin informatiiviselta näyttävän kartan aikaiseksi.

Alla on aikaansaamani karttatuotos (kuva 1). Vaikka kartta saattaa näyttää yksinkertaiselta, oli sen tekemisessä monta vaihetta. Aivan ensimmäiseksi kartan aineistot, jotka ovat peräisin HELCOMIN data- ja karttapalvelusta, piti tuoda ohjelmaan. Tämän jälkeen esimerkiksi muutettiin karttatasojen järjestystä ja visuaalista ilmettä, luotiin uusi karttataso typpipäästöistä ja viimeisteltiin kartta legendalla, mitta-asteikolla ja pohjoisnuolella.

Mielenkiintoisinta kartan tekemisessä oli datan muokkaaminen visuaaliseen muotoon. Aineistojen mukana oli dataa valtioiden typpipäästöistä. Karttaa varten valtioiden typpipäästöt muutettiin ohjelman työkalulla suhteututuksi arvoiksi. Näin saatiin aikaan koropleettikartta, jossa valtion väritys kertoo sen typpipäästöistä. Jos jotain tekisin toisin, niin muuttaisin legendasta ”valtiot” selitteen ”ei tietoja” selitteeksi. ”Valtiot” selite on tässä tilanteessa hieman hölmö, sillä myös punaisen eri väreillä väritetyt alueet ovat valtioita.

Kartan tekemisessä oli ajoittain pieniä haasteita, sillä välillä kun opettaja siirtyi jo selittämään uutta vaihetta tai kertomaan miten jokin asia tehdään, olin vielä tekemässä edellistä asiaa. Moni muukin varmaan tunnistaa sen, kuinka vaikea on kuunnella ja tehdä jotakin uutta ja tarkkaa samaan aikaan! Haasteista huolimatta olen sitä mieltä, että sain ihan kelpo kartan aikaan. Kartta on mielestäni selkeä, sen eri elementit erottuvat hyvin toisistaan ja siinä on vaaditut elementit.

Kuva 1. Ensimmäisellä kurssikerralla aikaansaamani karttatuotos.

Kurssikertaan liittyi myös itsenäisesti tehtävä karttatehtävä, jossa oli kolme vaikeusvaihtoehtoa. Lähdin tekemään tehtävää sillä ajatuksella, että teen ensin helpoimman vaihtoehdon ja sen jälkeen siirryn tekemään jompaa kumpaa vaikeammista. Minulla kuitenkin meni sen verran aikaa ensimmäisen tehtävän tekemiseen etten rehellisesti sanottuna jaksanut enää puurtaa enempää. Olin ilmeisesti yhdessä yössä unohtanut kaiken, mitä QGIS-ohjelman käyttämisestä opetettiin, minkä takia esimerkiksi etsin paljon tietoa ohjelman käytöstä internetistä. Yritys-erehdys -tekniikkaa, joka on mielestäni erinomainen tapa oppimiseen, käyttämällä sain kuin sainkin karttatehtävän tehtyä.

Suomen kuntien tietokannasta valitsin karttaan muuttujaksi työttömyysasteen. Päädyin työttömyysasteen tarkasteluun, koska ajattelin työttömyyden olevan muuttuja, jossa on selkeästi vaihtelua kunnittain. Luokittelin luokat luonnollisilla rajoilla, jotta saisin suhteellisen tasakokoiset luokat. Luokkien määräksi valitsin viisi. Väriluokituksena käytin QGIS:in tarjoamaa luokitusta. En ole tosin varma, olisiko jokin muu luokittelutapa ollut tässä tilanteessa parempi; vaikka omaan silmääni lopullinen kartta esittää työttömyyden osuuksia kunnissa informatiivisesti, voi joku toinen olla aivan eri mieltä. Samanlaisia asioita pohtii Karvinen blogissaan (19.1.2022). Kuten omassa tapauksessani, myös Katariina sai mielestään aikaan teknisesti onnistuneen kartan, mutta hän silti miettii vääristääkö kartta todellisuutta. Vaikka kriittisyys on hyvä asia tieteellisissä piireissä, niin toisaalta ylianalysoinnista voi olla vain haittaa. Joskus onkin hyvä tyytyä siihen, mitä on saanut aikaan.

Valmis kartta on mielestäni visuaalisesti onnistunut (kuva 2). Kartasta näkee selkeästi ja odotetusti, että työttömyyttä on eniten Itä- ja Koillis-Suomessa sekä Lapissa. Vähiten työttömyyttä on puolestaan Suomen eteläosissa sekä rannikolla. Syitä työttömyyden keskittymiselle juuri Itä- ja Koillis-Suomeen sekä Lappiin on monia. Syynä on esimerkiksi ihmisten, palveluiden ja investointien keskittyminen kasvualueille eli lähinnä Etelä-Suomeen. Kunnat, joista ihmiset lähtevät muualle (eli muuttotappiokunnat), ajautuvat jatkuvaan negatiiviseen kierteeseen: kun väkiluku vähenee niin verorahat laskevat, jolloin julkisia palveluja on vaikeampi toteuttaa ja yrityksillä on vähemmän asiakkaita, mikä taas johtaa siihen, että työpaikkojen määrä vähenee.

Kuva 2. Työttömyysaste kunnittain vuonna 2015 kartalla esitettynä.

 

Lähde: Katariina, K. (19.1.2022). Suomen kunnat ja eläkeikäiset asukkaat. Katariinan blogi -sivusto. Haettu 21.1.2022 osoitteesta: https://blogs.helsinki.fi/karvkata/?lang=en