Kuukausi: tammikuu 2022

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.

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.

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.

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

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.

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

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.

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.

 

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