7. Jes, minä selvisin!

Viimeinen kerta

Ah tätä autuutta ja ihanuutta! Viimeinen kerta on viimeinkin ohi! Seitsemän kertaa on QGIS:siä käsitelty (tai se on käsitellyt minua) ja näin lopussa voin onnellisena sanoa, että vain viidellä kerralla sain hermoromahduksen ja päädyin turhautuneena sohvalle itkemään. Ei ollenkaan siis huono lopputulos.

Viimeisen kerran kunniaksi oli tulikokeen aika ja saimme tehdä omat kartat valitsemistamme aineistoista. Tarkoituksena oli tehdä kartta, jossa esitetään vähintään kaksi muuttajaa. Itsehän olin autuaasti unohtanut edellisellä kerralla annetun muistutuksen aineistojen valinnasta ja paniikki melkein iski hetki ennen tunnin alkua. Onneksi tulin 15 minuuttia aikaisemmin ja vierustoverini Johanna auttoi alkuun vinkkaamalla, mistä itse oli aineistonsa löytänyt. Päädyin siis valitsemaan aineistoni Tilastokeskuksen kuntien avainluvuista. Valitsin vuoden 2018 aineiston kaikista Suomen kunnista. Latailin aluksi informaatiota erikseen teema ja muutama muuttuja kerrallaan, mutta lopulta totesin olevan helpompaa vain ladata kaikki muuttujat samalla kertaa. Pohjakartan Suomen kunnista latasin Paitulista.

Kun aineisto oli saatu kasaan oli aika ryhtyä hommiin. A-P-U-A! Miten ihmeessä tämä taulukkomuotoinen sisältö saatiinkaan liitettyä karttaan. Hyvin alkoi. Onneksi Arttu saapui ritarina paikalle auttamaan ja helppo juttuhan se loppujen lopuksi oli.  Layerin tiedoista piti vain klikata Joins-välilehteä, josta homma hoitui näppärästi. Paitsi, ettei hoitunutkaan, sillä QGIS tulkitsikin taulukossa olevat numerot tekstiksi, eikä silloin hommasta tullutkaan yhtään mitään. Tällä kertaa Johanna saapui toisena ritarina paikalle ja neuvoi, että taulukkoa lisätessä olisi pitänyt klikata ”Decimal separator is comma”, jonka minä olin luonnollisesti jättänyt tekemättä. Kurssin aikana on aina välillä tuntunut siltä, että QGIS on yksi iso pilkunviilaaja. Kun yksi pienen pieni laatikko jää klikkaamatta voi olla varma siitä, että koko työ heittää häränpyllyä.

Eteenpäin kuitenkin päästiin ja valitsin käsiteltäväksi aineistoksi työttömyyden. Päätin tarkastella työttömien määrää suhteessa työpaikkojen määrään. Satojen yritysten ja klikkailujen jälkeen löysin kuin löysinkin keinon esittää kahta eri muuttajaa päällekkäin. Työpaikkojen määrä ilmoitetaan tavalliseen tyyliin värien avulla, mutta työttömien määrä onkin esitetty viivasymbolein. Mitä tummemmat viivat, sitä korkeampi työttömyys. Sen sijaan mitä tummempi väri, sitä enemmän työpaikkoja. Lopputuloksena syntyi kuvan 1 kartta.

Kuva 1. Kuntien työllisyysaste prosentteina ja työpaikkojen määrä vuonna 2018.

Kuvan 1 karttaa tulkitessa ei voida suoraan todeta, että vähäinen työpaikkojen määrä tarkoittaisi suurta työttömyyttä.  On kuitenkin selvää, että näillä kahdella muuttujalla on yhteyttä toisiinsa. Tästä esimerkkinä toimii erityisesti koillis-Suomi, jossa heikosta työllisyysasteesta kertovia punaisia viivoja on taajaan usean kunnan alueella. Samojen kuntien työpaikkojen määrästä kertova väri on haalein mahdollinen, joka tarkoittaa, että työpaikkoja on vähän. Toisaalta Oulussa, jossa työpaikkoja on paljon (toiseksi tummin väri), työllisyysaste on myös punainen eli heikko. Mitään suoraviivaisia totuuksia ei tästä saada, mutta joitain viitteitä voidaan kenties muodostaa.

Onnistuttuani viivasymbolien käytössä päätin antaa mahdollisuuden ympyrädiagrammille, jonka kolmannella oppitunnilla pelokkaana skippasin. Toisessa kartassa motivoiduin parini mallista tutkimaan opetus- ja kulttuuriministeriön jakamia varoja, joten kuvan 2 kartassa olen ilmaissut opetus- ja kulttuuritoimintaan käytetyt varat sinisin värein. Ympyrädiagrammista on nähtävillä kunnan ikäjakauma, jossa vihreä väri osoittaa alle 15-vuotiaiden määrää. Johannalta sain myös idean siitä, että suurena olevasta isosta kartasta voi ottaa pienemmän katsauksen samaan karttaan. Näin muuten epäselvä sykkerö diagrammeja saadaan esitettyä hieman selvemmin. Kiitos hyvästä ideasta Johanna!

Kuva 2. Alle 15-vuotiaiden määrä sekä opetus- ja kulttuuritoimintaan käytetyt varat vuonna 2018.

Epämääräisistä ja hankalasti tulkittavista ympyrädiagrammeista on vaikea tulkita ihmeellisyyksiä eikä tässäkään teemassa näytä olevan merkitsevää yhteyttä. Sain kuitenkin harjoitusta sekä onnistumisen kokemuksen diagrammien käytöstä kartalla, kun kurssin kolmannella oppitunnilla ei oikein mennyt putkeen.

Nyt näin lähes kaksi kuukautta myöhemmin voisin miettiä, mitä kurssilta oikein jäi käteen. Ainakin se, etten olisi koskaan selvinnyt tästä ilman toisten apua. Täytyy jatkossakin muistaa avata suunsa entistä rohkeammin, sillä on parempi niellä ylpeys ja pyytää apua, kuin kärsiä ja olla oppimatta. Toisena oppina oli se, että kaikkea oppii (käyttämään) ainakin jotenkuten, kunhan vain tarpeeksi harjoittelee. Tuleviin opintoihini vien mukanani QGIS:n osaamista, ei kummoista, mutta jonkinlaista kuitenkin! Nyt ei voi muuta sanoa kuin kiitos, että olet jaksanut lukea höpötyksiäni kurssin varrella (vaikkakin blogipäivitykset eivät todellakaan tulleet ajallaan…). Viimeisenä pitää vielä kiittää mahtavaa, osaavaista, auttavaista ja aina niin kärsivällistä vierustoveriani Johannaa!

Kiitos ja onnea opintoihin!

 

Lähteet

Enström, Johanna (2022). Johannan Geoinformatiikan menetelmien blogi. Saatavilla: https://blogs.helsinki.fi/joen/. Viitattu 28.2.2022.

Paituli (2022). Latauspalvelu. Saatavilla: https://paituli.csc.fi/download.html. Viitattu 28.2.2022.

Tilastokeskus (2022). Kuntien avainluvut. Saatavilla: https://www.stat.fi/tup/alue/kuntienavainluvut.html#?year=2021&active1=SSS. Viitattu 28.2.2022.

6. Hasardit: kuvailua lumimyrskyssä ja maanjäristyksiä

Voi sormiparat

Toiseksi viimeinen kerta aloitettiin leppoisalla maanantaikävelyllä lumimyrskyssä keräten dataa epicollect5-paikkatietosovelluksen kanssa. Tarkoituksena oli ottaa kuvia (kuvat 1 ja 2) Kumpulan lähialueilta ja pohtia niitä turvallisuuden, houkuttelevuuden, visuaalisen miellyttävyyden ja ihmismäärän kautta. Tutkijana oli vaikea pysyä objektiivisena, kun kaikki ulkona olevat kohteet tuntuivat houkuttelevuudeltaan surkeilta ja Arabian kauppakeskuksen sisätilat taas olivat parasta mahdollista, mitä ihminen voi toivoa.

Kuva 1. Epicollectiin tietoa keräämässä: ihmisten määrä.
Kuva 2. Epicollectiin tietoa keräämässä: kohteen turvallisuus.

Muutaman paleltuneen sormen ja poskille valuneiden ripsivärien jälkeen saimme palata takaisin luokkaan, jossa aloimme analysoida keräämiämme tuloksia. Visualisoin kuvan 3 kartassa ihmisten määrää Kumpulassa ja Arabian alueella. Jostain kumman syystä Arabian kauppakeskuksen kohdalla on vahva ”paljon ihmisiä” – keskittymä… Ihmisten määrä on vähäisintä sivukaduilla ja suurinta bussipysäkkien ja isojen rakennusten, kuten kauppakeskuksen ja yliopiston, lähettyvillä.

Kuva 3. Ihmisten määrä Kumpulan ja Arabian alueella lumimyrskyssä 21.2.2022. Tieto kerätty Epicollect-paikkatietosovelluksen kautta.

Perinteisen pistekartan lisäksi harjoittelimme QGIS:ssä interpolointia. Interpoloinnissa tutkittava alue saa arvoja myös niihin kohtiin, jossa arvoa ei virallisesti ole. Tilda oli loistavasti avannut interpoloinnin ihmettä omassa blogissaan näin: ”Interpolointi tarkoittaa, että tunnettujen arvojen välille lasketaan matemaattisesti (tai siis QGIS laskee) ennustettuja arvoja. Mitä tasaisemmin arvot ovat sitä luotettavampana interpolointia voitaisiin pitää, sillä silloin ennustettujen arvojen välimatkat eivät olisi suuria ja tietokone ei joutuisi luottamaan todennäköisyyksiin niin paljoa vaan olisi dataa, joka tukisi oletusta tai hypoteesia.” Kuvassa 4 voidaan siis nähdä, miten erityisesti Kumpulan kampuksen eteläinen osa sekä Sörnäisten asema koetaan turvattomaksi. Sen sijaan puistossa olo koetaan turvalliseksi. Kumpulan ja Sörnäisten väliin ei ole annettu yksittäisiä arvoja, joten QGIS on interpoloinut eli antanut tähän keskiarvoksi vihreän värin (melko turvallinen), joka muuttuu sitä oranssimmaksi (turvaton), mitä lähemmäs Sörnäistä kuljetaan.

Kuva 4. Opiskelijoiden kokema turvallisuuden tunne Kumpulan, Arabian ja Sörnäisten alueella lumimyrskyssä 21.2.2022. Tieto kerätty Epicollect-paikkatietosovelluksen kautta.

Missä järisee ja paukkuu?

Lopputunnin aiheena oli tutustua hasardeihin ja havainnollistaa niiden esiintymistä kolmessa kartassa. Karttoja tulisi voida hyödyntää maantieteen opetuksessa. Valitsin esiteltäviksi hasardeiksi maanjäristykset ja tulivuoret. Tehtävä aloitettiin tuomalla informaatio itsenäisesti kahdesta eri tietopalvelusta: maanjäristykset USGS:stä (2022) ja tulivuoret Global Volcano Locations Database:stä (Data.gov, 2022). Rajasin maanjäristykset vuosiin 1980-2022 ja voimakkuuksia tarkastelin neljästä magnitudista ylöspäin.

Ensimmäisessä kartassa (kuva 5) tarkastellaan laajasti 4-10 magnitudin maanjäristyksiä vuosina 1980-2022. Kartta osoittaa kaikki hiemankin isommat maanjäristykset ja niiden sijainnin. Kuvan 5 karttaa voitaisiin opetuksessa käyttää tarkasteltaessa maanjäristysten esiintymistä: missä niitä esiintyy ja missä ei.

Kuva 5. 4-10 magnitudin maanjäristykset vuosina 1980-2022 (helmikuu). (Lähde: USGS 2022.)

Juulia oli omassa blogissaan pohtinut, että karttoihin olisi voinut lisätä litosfäärilaattojen saumakohdat. Tällöin oppilaille voitaisiin havainnollistaa maanjäristysten ja vulkaanisen toiminnan yhteys litosfäärilaattoihin. Itselleni tämä ajatus ei ollut tullut karttoja tehdessä mieleen, mutta nyt jälkeenpäin karttojeni käyttötarkoitusta pohtiessa hoksasin heti, että yhteys litosfäärilaattoihin olisi opettavainen ja mielenkiintoinen teema. Toisaalta tuskin olisin itsekään osannut liittää näitä rajoja omiin karttoihini, joten joutuisimme tyytymään erilliseen apukarttaan litosfäärilaatoista.

Seuraavassa kartassa (kuva 6) on havainnollistettu isojen (yli 8 magnitudin) maanjäristysten esiintyminen vuosina 1980-2022. Kartta eroaa merkittävästi edellisestä, jossa maanjäristystä kuvaavia palloja oli satoja, kun kuvan 6 kartassa maanjäristyksiä on vain kymmeniä. Vaikka pienemmätkin maanjäristykset (alle 8 magnitudia) aiheuttavat vahinkoa, voidaan kuvan 6 kartan avulla tutkia, kuinka paljon vähemmän isoja maanjäristyksiä on verrattuna kaikkiin maanjäristyksiin. Voidaan myös havaita, että isot maanjäristykset keskittyvät kaikki Tyynenmeren tulirenkaan alueelle, johon Hannakin viittasi omassa blogissaan.

Kuva 6. 8-10 magnitudin maanjäristykset vuosina 1980-2022 (helmikuu). (Lähde: USGS 2022.)

Etsin netistä samaa ilmiötä, eli maanjäristysten sijoittumista, kuvaavan kartan (kuva 7) ja löysin sellaisen Wikimedia commonsin sivulta. Varsinkin isompien oppilaiden opetuksessa onkin hyvä käyttää useita eri karttoja eri lähteistä, jolloin ensinnäkin harjoitellaan lähdekritiikkiä, mutta saadaan myös uudenlaisia tuloksia ja näkökulmia käsiteltävään aiheeseen. Kun kuvien 5 ja 6 karttoja verrataan alla olevaan netin valmiiseen karttaan (kuva 7), voidaan havaita, että isoja (yli kahdeksan magnitudin) maanjäristyksiä on ilmoitettu netin kartassa huomattavasti enemmän. Tämä toki selittyy sillä, että dataa on alettu kerätä 80 vuotta aikaisemmin. Oppilaiden kanssa voitaisiin kuitenkin todeta, että isot maanjäristykset näyttävät sijoittuvan samoille alueille läpi mittaushistorian.

Kuva 7. Yli kuuden magnitudin maanjäristykset vuosina 1900-2017 (Wikimedia commons, 2022).

Juulia pohti blogissaan, että olisi voinut ilmaista maanjäristysten voimakkuudet eri värein tehdessään omia karttojaan. Juuliasta kartasta olisi saattanut tällöin tulla epäselvä, sillä maanjäristykset menevät pakostikin päällekäin. Näin on kuitenkin toimittu netissä poimimassani kuvassa 7. Nyt kun tarkkailen valmista karttaa, en koe kartan informaatiotason olevan heikompaa tai epäselvempää. Toki isompien pallojen alle jää paljon pieniä, mutta en usko tämän välttämättä luovan virhekäsityksiä. Tässä siis vastaus Juulian pohdintaan – värikarttakin näyttää toimivan mainiosti!

Viimeisessä kartassa (kuva 8) havainnollistetaan tulivuorten sijoittumista sekä 6-10 magnitudin maanjäristysten esiintymistä. Tärkeäksi yhteiseksi tekijäksi nousee jälleen Tyynenmeren tulirengas. On toisaalta tärkeää huomata, että tulivuoret voivat esiintyä myös ilman maanjäristyksiä ja sama toisinpäin. Vaikka ne esiintyvät enimmäkseen samoilla alueilla, ne eivät tarvitse toisiaan.

Kuva 8. Tulivuorien sijainti sekä 6-10 magnitudin maanjäristykset vuosina 1980-2022 (helmikuu). (Lähde: Data.gov, 2022; USGS, 2022.)

 

Omasta mielestäni karttani ovat suhteellisen selkeitä ja informatiivisia. Kuten jo aiemmin mainitsin, olen samaa mieltä Juulian kanssa, että litosfäärilaattojen saumakohdat havainnollistaisivat maanjäristysten ja saumakohtien yhteyttä merkittävästi. Kuten kuvasta 5 ja 9 havaitaan, seuraavat maanjäristykset lähes täydellisesti saumakohtia.

Kuva 9. Litosfäärilaatat ja niiden saumakohdat (Peda.net, 2022).

Informaatioarvostaan huolimatta karttani eivät kuitenkaan toimi ainoina tiedonlähteinä, vaan käyttäisin apuna muitakin karttoja, kuten Tyynenmeren tulirengasta havainnollistavaa kuvaa ja kuvan 9 tyyppistä karttaa. Toisaalta tekemieni karttojen avulla voitaisiin pohtia esimerkiksi isojen asutuskeskittymien tai köyhyyden sijoittumista hasardialueisiin. Vaikka hyvän kartan määritelmä onkin, että sen tulee vastata käyttötarkoitustaan, on aina parempi, jos sitä voidaan hyödyntää jossain muussakin yhteydessä.

 

Lähteet

Data.gov (2022). Global Volcano Locations Database. Saatavilla: https://catalog.data.gov/dataset/global-volcano-locations-database. Viitattu 21.2.2022.

Epicollect (2022). GIS_MEN maanantai2022. Saatavilla: https://five.epicollect.net/project/gis-men-maanantai2022/data. Viitattu 21.2.2022.

Peda.net (2022). Litosfäärilaatat. Saatavilla: https://peda.net/p/RiikkaKotiranta/emaantieto-7/emaantieto7/3eis2/lem/l1p. Viitattu 23.3.2022.

Pelkonen, Hanna (27.2.2022). Viikko 6. Järisyttäviä tiedostoja ja pilkun viilausta. Hannan kurssiblogi. Saatavilla: https://blogs.helsinki.fi/pelkohan/. Viitattu 23.3.2022.

Salakka, Juulia (23.2.2022). Geoinformatiikkaa oppimassa – blogi. Saatavilla: https://blogs.helsinki.fi/gis-juulia/. Viitattu 23.3.2022.

USGS (2022). Search Earthquake Catalog. Saatavilla: https://earthquake.usgs.gov/earthquakes/search/. Viitattu 21.2.2022.

Valjakka, Tilda. (9.3.2022). Viimeisiä viedään. Geoinformatiikan menetelmät 1 – blogi. Saatavilla: https://blogs.helsinki.fi/vtilda/. Viitattu 14.3.2022.

Wikimedia commons (2022). File:Map of earthquakes 1900-.svg. Saatavilla: https://commons.wikimedia.org/wiki/File:Map_of_earthquakes_1900-.svg. Viitattu 23.3.2022.

5. Buff vain ja bufferointi unohtui

Asemien bufferointia

Näin viidennen kerran kunniaksi sukellettiin bufferoinnin maailmaan. Viime kerralla aloittamastamme Pornaisten kartasta laskettiin tällä kertaa kuinka monta taloa osuu kahden kilometrin säteelle terveyskeskuksesta tai koulusta, tai kuinka asukasta asuu 200 metrin päässä isommasta tiestä. Yhteisen harjoittelun jälkeen siirryimmekin suoraa päätä omiin tehtäviin, joissa oli tarkoituksena yhdistää pääkaupunkiseudun yleistä dataa lentokenttiä koskevaan informaatioon, kuten lentomeluun (kuva 1).

Kuva 1. Helsinki-Vantaa – lentokentän kiitoratojen lentomelun bufferointia QGIS:ssä.

Harjoituksissa käsittelimme kahta lentokenttää: Malmin lentokenttää sekä Helsinki-Vantaa – lentokenttää. Malmista oli tarkoitus tutkia, kuinka monta asukasta asuu yhden ja kuinka monta kahden kilometrin säteellä Malmin kahdesta kiitoradasta. Tuloksista oli tarkoitus koostaa taulukko (taulukko 1), josta vastaukset löytyvät. Sain Jessikan blogista vinkkejä omien taulukoideni tekemiseen. Jessikan taulukot olivat ihanan värikkäät, mutta samalla myös selkeät ja informatiiviset. Pitää jatkossakin muistaa, ettei informatiivinen ja selkeä taulukko tarkoita välttämättä pelkistettyä ja musta-valkoista kehikkoa, vaan värejä on uskallettava käyttää.

Taulukko 1. Asukkaiden määrä pääkaupunkiseudulla erilaisten muuttujien suhteen laskettuna.

Helsinki-Vantaan – lentokentältä tutkittiin asukkaiden määrää kahden kilometrin säteellä kiitoradoista sekä erilaisten lentomelun tasojen perusteella. Haasteena oli selvittää, kuinka monta asukasta Tikkurilassa altistuu vähintään 60 dB lentomelulle, jos lentokoneiden laskeutumissuuntaa muutetaan (kuva 2). Bufferoin ensin kiitoradalle ja sitä edeltävälle laskeutumissuunnalle meluvyöhykkeen ja laskin sen jälkeen Tikkurilan postinumeron (13100) alueella asuvien asukkaiden määrän. Vastaukseksi sain 6 184 asukasta (taulukko 1).

Kuva 2. Lentomelulle altistuvat asukkaat Tikkurilassa.

Harjoituksen seuraavassa osiossa bufferointia jatkettiin tarkastelemalla juna- ja metroasemien läheisyydessä sekä taajamissa asuvien ihmisten määrää. Tulokset löytyvät taulukosta 1.

Vaikea koulu ja painajaisten QGIS

Maanantai-iltakin tulee joskus päätökseen ja jouduin jättämään viimeisen tehtävän kotona työstettäväksi. Olin valinnut aiheeksi koulut, sillä se tuntui yksinkertaisimmalta. Tunnilla parin kanssa työskennellessä luulin ymmärtäväni kaiken hienosti. Kuitenkin kotiin päästessä oli muistot pyyhitty enkä tuntunut osaavan taikka ymmärtävän enää mitään. Paniikki iski eikä ohjeista tuntunut olevan mitään hyötyä. Summamutikassakaan QGIS:n kanssa ei näemmä kannata lähteä seikkailemaan, sillä siinä vain konkretisoi itselleen miljoonien funktioiden ja työkalujen määrän. Etsin tukea muiden blogeista ja samaistuin hyvin vahvasti Jannen kirjoittamaan ajatukseen: ” Suurin rajoittava tekijä QGIS:ille on varmasti sen käyttäjä. Ymmärrän, että paikkatieto-ohjelmaksi QGIS on oikeasti oikein hyvä ja suurin osa turhautumistani siihen on turhautumista omaan osaamattomuuteen. Jos käyttäjä ei tiedä minkälaisilla komennoilla ja toiminnoilla ohjelmaa pitäisi oivasti ajaa, ei se edelleenkään taikatemppuihin pysty.” 

Aikani kriiseiltyä sain kuitenkin tehtävät jotenkuten tehtyä (ei vieläkään käsitystäkään, että miten). Epävarmalla hetkellä päädyin kuitenkin tarkastamaan samasta aiheesta työnsä tehneiden Hannan ja Tiinan blogeista, mitä tuloksia he olivat saaneet. Koska vastauksemme olivat samanlaisia luotin siihen, että ehkäpä nämä minunkin vastaukset ovat nyt oikeat. Tulokset Helsingin Yhtenäiskoulun oppilaista löytyvät taulukosta 2.

 

Taulukko 2. Oppilaiden määrä Helsingin Yhtenäiskoulussa.

Nyt kun tästäkin kerrasta on hengissä selvitty (vaikkakin hermot taas riekaleina) voin arvostaa bufferointia ja sen tuomia etuuksia. Työkalu on mainio ja oikein käyttökelpoinen, kunhan sitä vain osaa käyttää. Bufferoinnilla voidaan periaatteessa tutkia melkein mitä vain. Sitä voitaisiin hyödyntää markkinataloudessa, esimerkiksi uusien kauppojen sijaintia mietittäessä. Bufferoinnin avulla voitaisiin selvittää, mitkä alueet sijaitsevat yli kilometrin säteellä lähimmästä ruokakaupasta ja mihin uusi kauppa kannattaisi rakentaa. Samaa tekniikkaa voidaan käyttää minkä vain palvelun tarpeen kartoittamiseen, kuten kirjastojen, koulujen, terveyskeskuksien ja niin edelleen.

Tällä hetkellä koen osaavani QGIS:ssä kaikista parhaiten karttojen viimeistelyn ja niiden ulostuomisen layout managerin kautta. Harjoitusta kaipaan ilman kohta kohdalta ohjeiden seuraamista. Oma epävarmuus ja osaamattomuus jyräävät joka kerta ja kurkkua alkaa kuristaa, kun pitäisi ilman tukea (kirjallista tai henkistä) alkaa suoriutumaan. QGIS itsessään korostaa tätä epävarmuuttani entisestään, sillä ohjelma ei ole mikään itsestäänselvä eikä tue käyttäjää työskentelyssään. Jos et osaa, et vain osaa. Onneksi on vielä kaksi kertaa aikaa harjoitella ja jospa Jannen sanojen mukaan QGIS:stä voisikin saada vihollisen sijaan liittolaisen.

 

Lähteet:

Ilmoniemi, Tiina (20.2.2022). Bufferointeja ja clippailua. Geoinformatiikkaa – blogi. Saatavilla: https://blogs.helsinki.fi/tiinailm/. Viitattu 21.2.2022.

Isomeri, Jessika (17.2.2022). Viikko 5 – Bufferointia ja uima-altaita. Jessikan GIS-hurvittelut – blogi. Saatavilla: https://blogs-test.it.helsinki.fi/jessikangishurvittelut/. Viitattu 21.2.2022.

Lampinen, Hanna (21.2.2022). Viikko 5. Bufferointia ja analyysejä. GIS menetelmät – blogi. Saatavilla: https://blogs.helsinki.fi/ldhanna/. Viitattu 21.2.2022.

Turunen, Janne (16.2.2022). QGIS – voittajani. Geoinformatiikan mystiset menetelmät – blogi. Saatavilla: https://blogs.helsinki.fi/janneturunen/. Viitattu 21.2.22.

4. Paluu CorelDrawn kliksutteluihin

 

Väsyneen maanantain teemana oli rasteriaineistot, pisteaineistot sekä ruutukartat. Artun kiinnostavan, hyvin hinnakkaista GIS-aineistoista kertovan, monologin jälkeen oli aika ryhtyä hommiin. Ensimmäisessä tehtävässä tutustuttiin pääkaupunkiseudun kaupunginosiin ja niitä koskevien tietojen käsittelyyn. Lähdimme luomaan ruutuaineistosta teemakarttaa ja valitsin aiheeksi ruotsinkielisten määrän. Kuvassa 1 ruotsinkielisten asukkaiden osuus on ilmoitettu absoluuttisena ja kuvassa 2 prosentuaalisena määränä kaikista asukkaista.

Kuva 1. Ruotsinkielisten asukkaiden lukumäärä pääkaupunkiseudulla.
Kuva 2. Ruotsinkielisten asukkaiden prosentuaalinen osuus pääkaupunkiseudulla.

Kun kuvien 1 ja 2 karttoja vertaillaan toisiinsa, havaitaan, ettei kartoissa juurikaan korostu samat alueet. Ruotsinkielisten absoluuttista määrää (kuva 1) tarkastaltaessa korostuvat Helsingin keskustan alueet sekä kartan länsiosasta, Pitkäjärven alapuolelta, löytyvä Kauniainen. Sen sijaan prosentuaalista määrää katsottaessa kuvasta 2 pääkaupunkiseudun reuna-alueet korostuvat merkittävästi. Ainoa konkreettinen yhtäläisyys kartoissa löytyy länsiosasta, Pitkäjärven alapuolelta, Kauniaisista, jossa sekä absoluuttinen määrä, että prosentuaalinen osuus ovat molemmat suhteellisen korkeita. Erot näissä kahdessa kartassa johtuvat esimerkiksi siitä, että keskustan lähellä asukastiheys on ylipäätään suuri, jolloin ruotsinkielisten määrä suhteessa muihin asukkaisiin ei ole merkittävä, vaikka heitä paljon siellä asuukin. Toisaalta taas pääkaupunkiseudun reuna-alueilla ruotsinkielisiä on vähän, mutta koska asukkaita ylipäätään ei ole paljon, kasvaa tällöin ruotsinkielisten prosentuaalinen osuus.

Kartat onnistuivat mielestäni ihan hyvin, sillä värit ovat selkeitä ja ruudut on helppo erottaa toisistaan. Toisaalta, kartoissa ei ole minkäänlaista mainintaa sijainnista tai edes kuntarajoja, joka tekee kartan paikantamisesta hyvin vaikeaa ilman viitekehystä antavaa tekstiä. Kartoissa informaation esittämisessä on käytetty absoluuttisia arvoja, joka ruututeemakartassa on mahdollista. Tämä johtuu siitä, että käsiteltävät alueet ovat kaikki identtisen kokoisia eli 1 km x 1 km. Taru oli fiksusti sanoittanut blogissaan myös omat mietteeni näin: ”Tiedostan kuitenkin, että suhteelliset lukuarvot voisivat olla myös tässä tapauksessa käyttökelpoinen muoto, koska ruotsinkielisiä toki asuu tilastotodennäköisyydenkin lakien mukaan enemmän siellä, missä ihmisiä ylipäätäänkin asustaa enemmän.” Tästä syystä kuvan 2 kartta ei ole luotettavuudeltaan paras mahdollinen. Luettavuudeltaan ruututeemakartta on kuitenkin simppeli ja yleensä helppolukuinen, jos värit on asetettu toimivasti. Informaatio on helposti nähtävillä ja nopeasti tuotettavissa.

 

Pääkaupunkiseudulta matkattiin Pornaisiin, jossa harjoiteltiin Vinovalovarjo-analyysin tekemistä ja korkeuskäyrien tuomista karttaan. Kuvasta 3 löytyy GQIS:n karttapohjaan tuodut korkeuskäyrät ja kuvasta 4 Paitulista ladattu korkeuskäyräkartta. Hoksasin vasta näin jälkeenpäin muiden blogeja lukiessani, että tarkoituksena oli ilmeisesti liittää nämä kaksi karttaa päällekäin, kuten Johanna on blogissaan tehnyt. Tämä olisikin helpottanut tulkintaa huomattavasti. Yritin kuitenkin omista kartoistani tarkastella, että vaikka korkeuskäyrät osoittavat pääsäntöisesti samoja kohteita on niissä kuitenkin paljonkin eroavaisuuksia esimerkiksi muotojen koon ja tarkkuuden suhteen.

Kuva 3. QGIS:ssä luodut korkeuskäyrät Pornaisissa.
Kuva 4. Korkeuskäyrät Pornaisissa (Paituli, 2010).

Viimeisessä tehtävässä valmistauduttiin ensi viikon oppituntia varten luomalla oma versio Pornaisten kartasta. Syksyn Tiedon esittäminen maantieteessä – kurssilta tuttu kliksuttelu täytti luokan, kun teitä ja asutusta merkittiin omille tasoilleen pohjakartan päälle. Syntyi ihana tuttuuden ja osaamisen tunne ja sain kuin sainkin aikaiseksi kuvassa 5 näkyvän hieman epäselvän kokonaisuuden. Jännityksellä jäämme seuraamaan, mitä ensi viikolla on luvassa, kun aloitamme bufferoinnin.

Kuva 5. Mestariteos Pornaisten kunnan pääteistä ja asutuksesta.

 

Lähteet

Enström, Johanna (16.2.2022). Neljäs kurssikerta. Johannan Geoinformatiikan menetelmien blogi. Saatavilla: https://blogs.helsinki.fi/joen/. Viitattu 2.3.2022.

Paituli (2010). Latauspalvelu. Saatavilla: https://paituli.csc.fi/download.html. Viitattu 7.2.2022.

Tornikoski, Taru (10.2.2022). Ruudut, pisteet ja rasterit – silmissä vilisee. Geoinformatiikkaa tutkimassa : ) – blogi. Saatavilla: https://blogs.helsinki.fi/tornitar/. Viitattu 2.3.2022.

3. Ei suju kuin vettä vain

Nojatuolimatka Afrikkaan

Tässä sitä taas mennään. Viikko kolme lähti käyntiin matkasta Afrikkaan – tälläkin kertaa valitettavasti vain QGIS:n kautta. Tarkastelimme ja yhdistelimme tietoa muun muassa konflikteista, timanttikaivoksista sekä öljy- ja maakaasukentistä. Lopputuloksena sain aikaiseksi kuvassa 1 näkyvän upean luomuksen. Kuten voidaan havaita, timanttikaivokset ovat paikoin osuneet alueille, joilla merkittäviä konflikteja esiintyy. Ei voida kuitenkaan suoraan todeta, että konfliktit osuisivat suoraan alueille, joilla on jotain arvokasta. Tästä toimii hyvänä esimerkkinä Saharan eteläiset alueet sekä erityisesti Etiopia, Somalia ja niitä ympäröivät valtiot. Alueella on esiintynyt valtavasti konflikteja eikä siellä kuitenkaan sijaitse tutkittuja timanttikaivoksia tai öljy/maakaasukenttiä. Sen sijaan eteläinen Afrikka kuhisee timanttikaivoksia, mutta konfliktien määrä on jäänyt vähäiseksi.

Kuva 1. Afrikan konfliktit, timanttikaivokset ja öljy- ja maakaasukentät.

Käsittelimme myös informaatiota internetin käyttäjien määrästä 2000-luvun aikana ja yhdistimme nämä sekä yllä olevan kartan tiedot kaikki hienosti yhteen ja samaan taulukkoon. En kuitenkaan hoksannut tallentaa layereiden informaatiota erikseen ja avatessani kotona taulukoita uudestaan oli kaikki kasattu informaatio kadonnut. Voi miten tyypillistä. Helposti tulkittavat taulukot ovat nyt menneen kesän sateita (ei voi puhua talven lumista, sillä sitähän nyt riittää) ja layerit näyttävät eioota (kuva 2).

Kuva 2. Milloinkohan sitä oppisi tallentamaan kaiken tarpeellisen..?

Voidaan kuitenkin lyhyesti tulkita kuvan 3 perusteella, että maat joiden kehitys esimerkiksi internetin käytön suhteen ei ole alkanut vielä 2000-luvun alussa, kokevat myös enemmän konflikteja. Tästä esimerkkinä Somalia ja Etelä-Sudan. Molempien maiden kehitys internetin suhteen on ollut myöhäisempää kuin esimerkiksi Etelä-Afrikan. Etelä-Afrikassa ei myöskään ollut juurikaan konflikteja, jolloin internetin käyttö voisi olla yhteydessä kehittyneempään ja järjestäytyneempään yhteiskuntaan = vähemmän konflikteja.

Kuva 3. Internetin käyttäjien määrä Afrikassa.

 

Suomen tulva-alueet

Afrikan jälkeen oli aika palata koto-Suomeen.  Tarkoituksena oli tehdä kartta Suomen tulvariskeistä alueista sekä osoittaa järvisyys kartassa diagrammina. Päädyin tekemään kaksi eri karttaa, sillä halusin, että joet ja järvet voitaisiin ottaa mukaan, mutta niiden kanssa yhdestä kartasta olisi tullut täysi kaaos. Siksi siis kuvan 4 kartassa on näkyvillä Suomen alueet jaoteltuna tulvaindeksin mukaan ja kuvan 5 kartassa on osoitettu Suomen ja sen lähialueiden joet ja järvet sekä järvisyys pylväsdiagrammina.

Kuva 4. Suomen alueet tulvaindeksin mukaan.

 

Kuva 5. Suomen järvisyys ilmoitettuna pylväsdiagrammina.

Karttoja tutkiessa voidaan todeta vanhan kappaleen Tulvii Pohjanmaa (saman vitsin oli näemmä keksinyt myös Eemil Sillankorva blogissaan, mutta jätän tämän nyt kuitenkin tähän) pitävän edelleen paikkansa. Pohjanmaa alavana alueena totisesti nousee esiin korkean tulvaindeksinsä vuoksi, mutta niin nousee myös eteläinen rannikkokin. Sen sijaan kun katsotaan kuvan 5 karttaa järvisyydestä voidaan todeta, etteivät järvet selkeästikään ole tulvien aiheuttajia. Erityisesti Keski-Suomessa, jossa järviä on erityisen paljon, tulvaindeksi pysyy silti hyvin matalana. Jessika Isomeri totesikin blogissaan, että ”järvilllä on tehokas kyky säilöä vettä ja näin korkean järvisyysprosentin omaavilla alueilla tulvariskikin pienenee.”  Näyttää  siis siltä, että ongelmallisimmat alueet sijaitsevat nimenomaan rannikoilla ja isojen jokien varsilla.

Tällä kertaa pitää antaa hieman itsekritiikkiä omista töistä. Kun luin Jessika Isomeren blogia pääsin ihastelemaan hänen selkeää ja onnistunutta karttaansa Suomen tulvaindeksistä sekä järvisyysprosenteista (Jessikan blogi, kuva 2). Kiinnitin heti huomiota siihen, miten nätisti kaikki informaatio oli esitetty samalla kartalla. Jatkossa voisin ottaa siitä oppia. Hän oli myös tehnyt diagrammin pylvään muotoon, mutta jollain kumman konstilla hän oli saanut myös legendaan pylvään kuvan. Saman uskomattomuuden oli saanut myös Tuomas Hartikainen aikaan. Miten?!? Olen yhtä äimistynyt kuin apinat taikatempuista!  Onneksi aika monella muulla, kuten Eemil Sillankorvalla,  oli sama ongelma kuin minulla eli legendaan tuli vain pelkkä väri. Toisaalta eikös se niin ole, että ongelman ratkaisu alkaa ongelman tunnistamisesta. Ehkä ensi kerralla saan tietää, mistä asia kiikasti. Siihen asti, lukemisiin!

 

Lähteet

Hartikainen, Tuomas (2.2.2022). 3. Kurssikerta. MAA-GIS-ta menoa – blogi. Saatavilla: https://blogs.helsinki.fi/tuomhart/. Viitattu 6.2.2022.

Isomeri, Jessika (1.2.2022). Viikko 3 – Tietokantojen tulva. Jessikan GIS-hurvittelut – blogi. Saatavilla: https://blogs-test.it.helsinki.fi/jessikangishurvittelut/. Viitattu 6.2.2022.

Sillankorva, Eemil (2.2.2022). KK3: Hankaluuksia Afrikassa ja tulvii Pohjanmaa. Eemilin mantsa-blogi. Saatavilla: https://blogs.helsinki.fi/sillanko/. Viitattu 6.2.2022.

2. Laita Mercator asialle, mene ETRS-TM35FIN:llä perässä

Uusi viikko, uudet QGIS:n tuulet

Niin vain taas alkoi uusi oppitunti harmaita hiuksia aiheuttaneen ohjelmiston parissa. Tällä kertaa ollaan viime kerran vahingosta viisastuneita ja tein tehtävät ajoissa. Aihekin oli onneksi tutun puoleinen, sillä sukelsimme projektioiden maailmaan.

Hanna Lampinen toteaa blogissaan, että  ”Projektion huolellinen valinta on tärkeää, sillä se määrittää kartan mitat ja suhteet, ja esimerkiksi (pinta-)alan selvittämisessä eri projektioiden välillä saattaa olla moninkertaisia eroja.” Tätä lähdimmekin tutkimaan ensimmäisenä. Piirsimme Suomen kartalle viivan pisteestä pisteeseen, jonka avulla tarkasteltiin eri projektioiden vaikutusta etäisyyksiin. Kokeilimme myös, miten eri projektiot muuttavat pinta-alojen suuruutta ja tätä varten Suomen kartalle piirrettiin myös rajattu alue. Olen tarkastellut näitä muutoksia taulukossa 1.

Taulukko 1. Eri projektioiden suhdeluvut verrattuna TM35FIN-projektioon.

Käytin vertailukohteena tyypillisintä Suomessa käytettyä projektiota eli ETRS-TM35FIN. Mittasin sillä Suomi-neidon pään leveyden ja sain tulokseksi 128 kilometriä. Kun tarkastelin samaa pituutta Mercatorin, Robinsonin, Bonnen ja Behrmannin projektioiden kautta oli näistä ainoastaan Bonne samoissa lukemissa. Muut osoittivat matkan olevan pidempi. Mercator hieman innostui ja näytti saman matkan olevan 236 kilometriä pidempi. Prosentuaalinen ero on 184 %.

Pinta-alaa tarkasteltaessa Suomi-neidon pää pääsi taas päähenkilöksi ja mittaamani alue oli ETRS-TM35FIN – projektiolla 2816 km². Bonne ja Behrmann pysyivät suunnilleen samanlaisissa lukemissa, sillä prosentuaalinen ero näillä oli vain 1 % ja 2 %. Mercatorilla lähti kuitenkin taas lapasesta ja reilun 2800 neliökilometrin alueen se näytti olevan 23 776 km². Prosentuaalinen ero on huikeat 744 %!

Taulukko 1 on hyvä havainnollistamaan sen, miksi projektion oikeanlainen valinta on niin tärkeää. Jos Mercatorin projektiota satuttaisiin käyttämään esimerkiksi Utsjoella naapurin Erkin metsämaiden mittaamiseen, saataisiin Erkille aikamoiset metsämaat. Kun käytetään oikeanlaista projektiota, kuten tässä tilanteessa esimerkiksi ETRS-TM35FIN, säästyy Erkkikin pettymyksiltä, kun ei luulekaan omistavansa tuhansien neliökilometrien maa-alaa ja todellisuudessa metsää onkin juuri ja juuri riittävästi mökin rakentamista varten.

Kuvassa 1 olen vielä havainnollistanut Suomen kartan eri projektioissa. Behrmanniin on eksynyt ylimääräisiä vimpaimia allekirjoittaneen huolimattomuuden seurauksena, mutta jätetään ne huomiotta. Päähuomiona on se, miten etelä-pohjoinen – suunnassa litistynyt ja itä-länsi – suunnassa leventynyt kaunis Suomi-neitomme onkaan. Kaikki neljä ensimmäistä projektiota sen sijaan näyttävät suhteellisen siisteiltä ja päteviksi kartoiksi kelpuutettavilta. On kuitenkin hyvä muistaa, että Mercator saattaa näyttää viattomalta ja siistiltä perus-Suomelta, mutta todellisuudessa se voi olla petollinen kumppani.

 

Kuva 1. Suomen kartta havainnollistettuna erilaisissa projektioissa. Bonnella on ollut rankka viikonloppu, joten kuvaan päätyi hieman etukumara asento. Behrmann taas koko tarpeelliseksi koristautua kuvaa varten. Todellisuudessa kuvien ottaja (minä) en epähuomiossa ollut hoksannut korjata yllä mainittuja tekijöitä ennen kuin kuva jo päätyikin blogiin…

Kun eri projektioita oltiin kauhisteltu riittävästi siirryttiin seuraavaan vaiheeseen, jossa oli tarkoitus esittää kahden valitun projektion mittakaavalliset erot kartalla. Ensimmäiseksi pariksi valitsin Lambertin oikeapintaisen projektion sekä Mercatorin oikeakulmaisen projektion.  Kuten kuvan 2 kartasta voidaan huomata, Mercatorin projektiossa mittakaava suurenee kohti pohjoista. Tällöin päiväntasaajan alue on litistynyt kasaan ja napa-alueet näyttävät valtavalta. Suomen kokoisessa maassa ero ei ole aivan yhtä helposti huomattavissa, vaikkakin käsivarren alueella prosentuaalinen vääristymä onkin jopa 4,31 % suurempi kuin Helsingissä. Maapallolla on kuitenkin selkeämpiäkin vääristymiä Mercatorin projektiossa, sillä verrattaessa esimerkiksi Grönlantia ja Intiaa näyttää Grönlanti kymmenkertaiselta Intiaan verrattuna. Todellisuudessa ne ovat suunnilleen samankokoiset. Tätä on hyvä vertailla esimerkiksi The True size of… – sivustolla.

Kuva 2. Mittakaavan prosentuaalinen ero Mercatorin  ja Lambertin projektioiden välillä.

Päätin vielä viimeisenä tehdä visualisoinnin Robinsonin projektion ja ETRS-TM35FIN – projektion mittakaavojen välisistä eroista. Robinsonin projektio on niin sanotusti kompromissiprojektio, jossa on pyritty minimoimaan kaikkia projektioiden tuottamia ongelmia. Vääristymä mittakaavassa kuitenkin kasvaa napoja kohti mennessä aivan kuten Mercatorissakin. Erona on nyt kuitenkin se, missä prosenteissa pyöritään.  Kun tarkastellaan kuvan 3 karttaa ja sen legendaa, huomataan, että prosentuaaliset erot ovat luokkaa 1,19 – 1,42. Kovin suuresta heitosta ei siis puhuta. Mercatorilla heitot olivat pahimmillaan 8,26 prosenttia. Selityksenä tälle pienelle erolle on se, että ETRS-TM35FIN – projektio on Robinsonin projektion tapaan kompromissiprojektio. Saman huomion oli tehnyt myös Heikki Paulamäki omassa blogissaan, vaikka hänellä esimerkkinä olikin Gall:n stereografinen projektio. Mercator onkin siis vääristymien tuottajana aivan omaa laatuaan.

Kuva 3. Mittakaavan prosentuaalinen ero Robinsonin ja RM35FIN-projektioiden välillä.

 

Lähteet

Lampinen, Hanna (30.1.2022). Viikko 2. GIS menetelmät – blogi. Saatavilla: https://blogs.helsinki.fi/ldhanna/. Viitattu 3.2.2022.

The True size of… (2022). Nettisivu. Saatavilla: https://thetruesize.com/. Viitattu 3.2.2022.

Paulamäki, Heikki (31.1.2022). Viikko 2 – Oikean karttaprojektion tärkeys.  GIS väännöt Hessun kanssa – blogi. Saatavilla: https://blogs.helsinki.fi/heikpaul/. Viitattu 3.2.2022.

1. QGIS – painajaisten painajainen

 

”Jaahas, selvitäänköhän tästä” – oli ensimmäisen kurssikerran ajatukset tiivistettynä, kun QGIS-ohjelman syövereihin sukellettiin. Ohjelma tuntuu vaikealta ja miljoonat eri painikkeet, työkalut ja välilehdet tuntuvat pomppivan ruudulla eikä mitään kuitenkaan tapahdu. Vai tapahtuuko sittenkin?

Ensimmäisen Geoinformatiikan menetelmien tunnin tavoitteena oli tutustua QGIS-ohjelman käyttöön. Ohjelma on minulle aivan uusi, joten opettajan ohjeita piti seurata 120 prosenttisesti. Ei kun vain kädet saveen ja hommiin. Ensimmäisenä tutustuttiin Itämeren alueen typpipäästöihin ja yhteisen kliksuttelun ansiosta sainkin kuin sainkin siitä aikaiseksi kuvan 1 kartan.

Kuva 1. Ensimmäinen tehtävä: Itämeren alueen typpipäästöt valtioittain.

Ensimmäiseksi kartaksi ei hassumpi, sillä kyllähän siitä selvää saa. Parempikin se tietty voisi olla, sillä tarkasteltuani muiden blogien tuotoksia hoksasin, että esimerkiksi syvyyskäyrien merkintä ei välttämättä tuo mitään merkittävää informaatiota tutkittavaan aiheeseen. Tämän hyvän kehitysajatuksen toi esiin erityisesti Johanna Enström omassa blogissaan. Myös HELCOM-merialueiden info on jäänyt vähän kryptiseksi, sillä aineistoa tuntematon ei saa selville sitä, mitä HELCOM tarkoittaa. Lisäksi mittakaavan sekä legendan sijoittelu on vähintäänkin mielenkiintoista. Onneksi tästä on suunta vain ylöspäin!

Paitsi ettei ollutkaan. Hoksasin vasta viikkoa myöhemmin, ettei pelkkä tunnilla tehty kartta Itämeren päästöistä ollutkaan riittävä, vaan lisäksi pitäisi itsenäisesti tehdä samantyylinen teemakartta Suomesta. Koska vajaan viikon jälkeen kaikki opittu oli jo täydellisesti  pyyhkiytynyt muistista, turvauduin QGIS-raamattuuni eli Janne Turusen blogiin. Jannen pohdinnat ja selkeät etenemisvaiheet auttoivat silloin, kun tuntui siltä, ettei edes virallisia ohjeita seuraamalla saanut aikaiseksi muuta kuin turhautuneet itkupotkuraivarit. Eteenpäin kuitenkin jotenkuten päästiin, mutta koska koko aihe ja QGIS:n käyttöliittymä tuntuivat jo valmiiksi elämää suuremmilta haasteilta päätin suorilta käsin tehdä vaikeustason 1 tehtävän, jossa tehtäisiin kartta koko Suomesta. Ei kun vain aineisto auki ja hommiin.

Kuva 2. Kädet saveen – mikä ihmeen attribuutti taulukko (attribute table)?

Seuraava haaste olikin saada kuvan 2 attribute taulukon valtavasta informaation määrästä jotain konkreettista esiin. Taulukossa saatavilla oli pelkät lyhenteet eikä muuta metatietoa ollut tarjolla. Tämä hankaloitti aineiston tutkimista. Lopulta päätin lähteä tutkimaan avioerojen jakautumista Suomen sisällä, sillä sitä ei oltu lyhennetty, joten väärinymmärryksen vuoksi ei ainakaan mentäisi metsään. Seuraavana tehtävänä olisikin saada aineistot suhteutettua, sillä ilmeisesti absoluuttisia arvoja ei saa käyttää. Ihan en vielä saanut sitä langan pätkää kiinni, joka tämän selittää, mutta ehkäpä sekin lankakerä tulevaisuudessa näyttäytyy. 

Päätin tehdä teemakartan siitä, miten avioerojen lukumäärä jakautuu Suomessa. Tuhannen klikkauksen, muutoksen, yrityksen ja turhautumisen jälkeen sainkin kuin sainkin aikaiseksi jonkinlaisen kartan (kuva 3). Mutta siitä tulikin tilkkutäkki – mitä ihmettä????? Huomasin näin jälkikäteen, että Helmi Leinonen oli raportoinut blogissaan samasta ongelmasta. Itse kuitenkin luovutin asian suhteen ja yritin suosiolla toista muuttujaa.

Kuva 3. Avioerojen jakautuminen noin puolikkaassa Suomessa prosentteina.

Lähdin yrittämään uuden muuttujan kanssa. Tällä kertaa valitsin kuntien väkiluvun määrän suhteessa koko Suomen väestöön. Kartta (kuva 4) ja sen tulokset näyttävät kyllä suhteellisen oikeilta, sillä tutkittaessa korkeimpiin prosentteihin päässeitä, ei siellä näytä olevan muuta kuin Helsinki. Legendan järkevöittäminen tuntui hankalalta ja nyt näin jälkikäteen sitä tarkastellessa, ovat isot harppaukset aika hölmöjä. Toisaalta prosentit havainnollistavat sen, miten vähän asutusta muualla Suomessa on verrattuna pääkaupunkiseutuun ja muihin yksittäisiin isompiin kuntiin, kuten Ouluun, Tampereeseen, Jyväskylään ja Turkuun.

Kuva 4. Jälleen uusi yritys. Kuntien väestön määrä suhteessa koko Suomen väestöön (%).

Yritin toteuttaa kuntien sisäistä vertailua kahden ja puolen viikon ajan siinä onnistumatta. Lopputulokset ovat nähtävillä yllä olevissa kartoissa. Lopulta nöyrryin ja laitoin opettajalle viestiä siitä, että en vain hoksaa tätä yksin. Kun laskelmaa katsottiin yhdessä oli ratkaisu ilmiselvä. Olin koko ajan jakanut haluamani tason (kuten kuvan 5 kartassa eläkeikäisten osuuden) itsellään, jolloin lopputulokseksi luonnollisesti tulee käsittämättömiä lukuja. Eläkeikäisten osuus pitikin siis, tietenkin, jakaa koko Suomen väestöllä. Näin jälkikäteen ajateltuna vastaushan on ilmiselvä, mutta hermorauniona nenän edessäkään seisovaa asiaa ei enää näe. Lopulta sain tehtyä alla olevan kartan (kuva 5) hyvinkin pienellä vaivalla.

Kuva 5. Viimein valmis! Eläkeikäisten osuus kunnan väkiluvusta prosentteina.

Nyt kun ylpeänä tarkastelen valmiiksi saatua karttaa eläkeikäisten osuudesta kuntien väkiluvusta on kartalta helppo nostaa esiin erityisesti opiskelukaupungit ja niiden kehyskunnat. Tällaisia alueita ovat esimerkiksi pääkaupunkiseutu ja Uusimaa laajemmin, Tampereen alue, Jyväskylän alue, Joensuu, Seinäjoki sekä Oulun suunta. Opiskelukaupungeissa on tyypillisesti enemmän nuorempaa väestöä, sillä monet jäävät valmistuttuaan myös työskentelemään opiskelupaikkakunnalle vähintään muutamaksi vuodeksi. Vanhin väestö on keskittynyt erityisesti Itä- ja Keski-Suomeen, jotka näyttävätkin olevan muuttotappioalueita. Näillä alueilla myös työpaikkoja on vähemmän, mikä selittääkin työikäisen väestön poismuuton.

Tarkastellessani tekemiäni karttoja näin jälkikäteen on helppo huomata, että niitä on tehty eri aikaan ja pitkien taukojen kera. Joissain on kehys, toisissa ei. Myös näkemykseni esimerkiksi mittakaavan pituudesta ja legendan sijainnista vaihtelevat. Sanoisin, että viimeisin lopputulos (kuva 5) on kaikkein selkein. Mitkään sivuelementit eivät ota suurinta roolia ja värit ovat selkeät. On hienoa huomata, miten olen oppinut ja kehittynyt kartan tekijänä jo muutaman harjoituksen jälkeen. Tulevaisuudessa osaan ainakin muodostaa QGIS:ssä olevista tuhansista tasoista suhteellisen siistin ja järkevän kartan. Siitä, jos mistä on tullut harjoitusta! Ja ehkäpä nyt saatuani oikeanlaisen kartan onnistuneesti tehtyä uskallan viimeinkin mennä nukkumaan ilman pelkoa siitä, että QGIS tulee yöllä ikävälle vierailulle.
Koskaan ei silti voi olla varma…

 

Lähteet:

Enström, Johanna (23.1.2022). (Toinen) Ensimmäinen kurssikerta. Johannan Geoinformatiikan menetelmien blogi. Saatavilla: https://blogs.helsinki.fi/joen/. Viitattu 2.3.2022.

Leinonen, Helmi (22.1.2022) GIM1: Round 2. Helmin mantsablogi. Saatavilla: https://blogs.helsinki.fi/lehelmi/. Viitattu 2.3.2022.

Turunen, Janne (20.1.2022). Kunnat2015 – eli kuinka opin jo lähes vihaamaan QGIS:iä. Geoinformatiikan mystiset menetelmät – blogi. Saatavilla: https://blogs.helsinki.fi/janneturunen/. Viitattu 2.3.2022.