5: Pit stop analyysien merkeissä + itsereflektointia

Tällä viikolla koittikin jo viime kerralla mainostettu itsenäisempi kurssikerta. Kurssikerran aluksi kuitenkin käytiin yhteistuumin läpi erilaisia QGIS:llä tehtäviä paikkatietoanalyysejä, ja tässä jälleen Pornaisten alueen kartta toimi testialustana. Teiden pituuksia laskettiin ”Sum line lengths” -toiminnolla, ja ”Intersection” ja ”Clip” -työkalujen avulla laskettiin pinta-aloja piparkakkumuotin tavoin. Tuttuja asioita ”Johdatus geoinformatiikkaan” -kurssilta, jotka nyt konkretian kautta itse tekemällä saivat lihaa luidensa ympärille. Puskuroinnin eli bufferoinnin avulla tarkasteltiin esimerkiksi, kuinka monta asukasta asuu lähellä Pornaisten läpi kulkevia pääteitä.

Yleisesti ottaen paikkatietoaineistojen analyysit vaikuttavat todella kiehtovilta kavereilta, joita voi hyödyntää mitä moninaisimpiin käyttötarkoituksiin alueiden tarkastelussa ja informaation haalimisessa. Visuaalisen analyysin, eli pelkän paikkatietoaineiston visualisoinnin tutkimisen avulla voidaan löytää esimerkiksi eri ilmiöiden klustereita. Laskennalliset analyysit taas tuottavat uutta tietoa matemaattisten operaatioiden avulla, joiden avulla voidaan tutkia vaikkapa matka-aikoja. Helsingin yliopiston Digital Geography Lab hyödyntääkin lukuisissa tutkimusprojekteissaan paikkatietoaineistojen erilaisia analyysejä; tutkimusteemat ulottuvat sosio-spatiaalisista suhteista ihmisen ja luonnon välisiin vuorovaikutussuhteisiin sekä uusiin datankeruumenetelmiin. Ehdottomasti tutustumisen arvoinen ryhmä!

Mahdollisuudet aineistojen ja datan tutkailuun ovat siis käytännössä rajattomat, ja odotankin innolla näiden analyysien lisähyödyntämistä ja sen oivaltamista, miten esimerkiksi erilaisia yhteiskunnallisia ongelmia voidaan ratkaista / lieventää paikkatietoanalyysien avulla, vaikkapa isompien kaupunkien segregaatiota. Analyysejä voipi siis hyödyntää arkipäiväisestä lähikaupan selvittämisestä kompleksisempien yhteiskunnallisten ilmiöiden käsittelyyn. Lotan blogissa on lisää kattavaa pohdintaa paikkatietoanalyyseihin liittyen!

Lentokenttiä, asemia ja taajamia

Itsenäistehtävät koostuivat näiden opeteltujen analyysityökalujen käytöstä, ja vastaukset annettuihin tehtäviin koostin taulukkoon (taulukko 1).

Taulukko 1. Koonti ensimmäisten itsenäistehtävien vastauksista

Itsenäistehtävät koostuivat pitkälti samoista tempuista mitä itse kurssikerralla harjoiteltiin; buffereiden tekoa kiitoratojen ja asemien ympärille, alueiden valitsemista ja tietokantojen analysointia. Iiris on päätynyt melko samankaltaisiin ratkaisuihin, mikä vahvistaa olettamustani siitä, että jotakin tein oikein. Toki pientä hajontaa on johtuen mm. itse piirretyistä kiitoradoista johtuen.

Päätin tutkia vielä näiden Malmin lentokentän alueen talojen rakennusvuosia. Itse lentokenttä on rakennettu 1936, jonka jälkeen kilometrin säteelle kentästä on rakennettu 733 rakennusta, joissa asuu 8603 asukasta. Tämän selvittäminen onnistui suodattamalla pks_vaki-tietokannasta sellaiset rakennukset, joiden käyttöönottovuosi on suurempi kuin 1936. Tehtävät antoivat kattavan kertauksen buffereiden ja muiden analyysien hyödyntämiseen. Blogissaan Juliana kuvaa tarkemmin työvaiheita, jotka näiden tehtävien ratkaisuun sisältyivät.

Molskis

Pulikoimisen ystävänä tartuin vielä itsenäistehtävään 4, jossa perehdyttiin tietokantaan pääkaupunkiseudun uima-altaista ja saunoista. Säästyin muutamalta harmaalta hiukselta Ilarin blogin ansiosta, koska sieltä bongasin vinkin, jolla “Join attributes by location (summary)” -toiminnon tarjoaman errorin sai ohitettua. Kullanarvoinen vinkki!

Ylipäätään uima-altaalla varustettuja rakennuksia löytyy pääkaupunkiseudulta 855 kappaletta (Statistics-paneeli), joissa asuu 12 170 henkilöä. Näistä omakotitaloja on 345 kappaletta, paritaloja 158, rivitaloja 113 ja kerrostaloja 181. Nämä tiedot selvitettiin pks_vaki-tietokannasta suodattamalla ”KATAKER”-sarakkeesta eri talotyyppien ”tunnisteet” (11, 12, 21 ja 39). Uima-allasrikkain pienalue pääkaupunkiseudulla on Lauttasaari, jossa uima-altaallisia rakennuksia näyttäisi olevan 53 kappaletta. Saunallisia taloja on 21 922 kappaletta, joka on 24,1 % kaikista pääkaupunkiseudun asutuista taloista. Tämä data kuvastaa hyvin kansamme rakkautta saunan lämpöön. Näiden tietojen pohjalta toteutin teemakartan (kuva 1).

Kuva 1: Uima-altaalliset rakennukset pk-seudulla pienalueittain. Taustakarttana OpenStreetMap; pylväiden koko kuvaa uima-altaallisten rakennusten absoluuttista määrää kyseisellä pienalueella

Havainnollistavien palkkien kokojen kanssa ja lukumäärien asettelun kanssa sai taas hetken tapella, mutta lopputulos lienee ihan mukiinmenevä tekele. Jostakin syystä en saanut jokaisen pienalueen lukumäärää kartalle näkyviin, mikä heikentää osaltaan kartan informatiivista arvoa. Yhdyn Villen haaveisiin zoomattavien, “interaktiivisten” karttojen tekemisen osaamisesta – vielä on matkaa kosolti kuljettavana tähän.

Reflektoimista

Puoliväli on jo ylitetty tämänkin kurssin osalta. Paljon on opittu paikkatietoaineistojen käsittelyn perusteita QGIS-sovelluksella, ja paljon on vielä opittavaa – niin itse sovelluksesta, kuin koko paikkatiedon maailmasta. Tietokantojen sekä vektori- ja rasteriaineistojen käsittely, yksinkertaisten teemakarttojen teko ja perustoiminnot ovat toistojen avulla alkaneet hiljalleen painua selkärankaan – ohjeita kuitenkin tulee vielä tässä vaiheessa seurata tarkasti niin harjoituskerroilla kuin itsenäisten tehtävien parissa, koska oma osaamiseni ei ole vielä soveltavalla tasolla. Toistojen määrä korreloi osaamistason kanssa tämänkin ohjelmiston kanssa.

Tämä kurssikerta olikin itse asiassa itselleni inspiroivin tähän mennessä; paikkatietoanalyysit ovat hurjan laajoja ja monikäyttöisiä työkaluja, joita voi hyödyntää oikeastaan mihin tahansa asiaan ja ilmiöön, johon liittyy spatiaalisuus. Paikkatieto ja kaupunkisuunnittelu ovat mielestäni yksiä mielenkiintoisimpia teemoja maantieteessä, ja juuri näihin paikkatietoanalyysit liittyvät kiinteästi. Tulevia kujeita odotellen.

Lähteet

Digital Geography Lab, Helsingin yliopisto. Luettu 19.2.2021. <https://www.helsinki.fi/en/researchgroups/digital-geography-lab>

Häkkilä, J. 5: Bufferien käytön harjoittelemista. Luettu 19.2.2021. <https://blogs.helsinki.fi/julihakk/>

Leino, I. Viides kurssikerta. Luettu 19.2.2021. <https://blogs.helsinki.fi/ilarilei/>

Puodinketo, L. 5. kurssikerta: Pohdintoja. Luettu 19.2.2021. <https://blogs.helsinki.fi/lottapuo/>

Saavutettavuuden maantiedettä – Digital Geography Labin saavutettavuus- ja liikkumistutkimus: Pääkaupunkiseudun matka-aikamatriisi. Luettu 19.2.2021. <https://blogs.helsinki.fi/saavutettavuus/paakaupunkiseudun-matka-aikamatriisi/>

Turunen, I. 5. kurssikerta. Luettu 19.2.2021. <https://blogs.helsinki.fi/iiristur/>

Väisänen, V. Bufferointia ja putkiremontteja. Luettu 19.2.2021. <https://blogs.helsinki.fi/villvais/>

4: Ruuduista rastereihin

Tämä keskiviikkoinen aamu laitettiin vauhtiin tuttuun tapaan teoriapläjäyksellä, jonka virkaa tällä kertaa toimittivat piste- ja ruutuaineistot: niiden haaliminen ja hyödyntäminen. Mukana oli paljon kertausta lukion mantsan tunneilta ja ekan periodin ”Johdatus geoinformatiikkaan” -kurssilta, mutta tulipa joukossa uusiakin yksityiskohtia aineistoihin liittyen.

Ruututeemakartta on siitä hyvä karttatyyppi, että sillä pystyy esittämään absoluuttisia arvoja ruudujen yhtäläisten kokojen ansiosta – aikaisemmilla kerroilla koropleettikarttojen kanssa taiteillessa esitetyt luvut on pitänyt esittää suhteutettuina, esimerkiksi prosentteina, koska tarkasteltavat alueet ovat olleet keskenään hyvinkin eri kokoisia. Toisaalta rasteriaineiston tarkkuus on riippuvainen tarkasteluetäisyydestä, toisin kuin vektoriaineistolla. Rasteriaineisto onkin vektorimuotoista aineistoa raskaampaa, koska se sisältää kaikki aluetta kuvaavat elementit samassa kuvassa.

Harjoitusosuudessa hypättiin tutkimaan pääkaupunkiseudusta koostuvaa tietokantaa, jolle operoitiinn mitä erinäisimpiä temppuja. Aluksi alueen päälle luotiin ruudukko grid-työkalulla, jonka jälkeen peliin tuotiin massiivinen pääkaupunkiseudun väestöstä kertova tietokanta, johon on merkitty jokainen pk-seudun rakennus (joita onkin kevyesti yli 94500 kappaletta) sekä esimerkiksi niiden väestötiedot. Ruudukko sovitettiin sopivan kokoiseksi ”Select by location” -työkalun avulla, ja ”Join attributes by location” -toiminnolla tuotiin itse dataa ruutuihin. Näin saatiin aikaiseksi ruutuesitys, joka kertoo ruotsinkielisten asukkaiden määrän 1km x 1km -kokoisilla alueilla ruuduttain (kuva 1). Kartta itsessään ei ole lainkaan informatiivinen, koska se ei sisällä legendaa eikä muitakaan tarpeellisia kartan elementtejä, mutta liitinpä sen nyt mukaan todistusaineistoksi harjoittelusta.

Kuva 1: Harjoittelua ruutuaineiston kanssa – ruotsinkielisten määrä 1 km x 1 km kokoisilla alueilla pääkaupunkiseudulla (vihreä/keltainen ruutu: enemmän ruotsinkielisiä asukkaita)

Teoria käytäntöön

Kotitehtävänä oli laatia toinen ruututeemakartta, jonka aiheeksi valitsin asukkaiden iän keskiarvon alueittain (kuva 2). Alkuun kuului luonnollisesti muutaman hetken verran sekoilua, mutta jälleen kerran yrityksen ja erehdyksen kautta, sekä huolellisen ohjeiden kertauksen jälkeen, toiminnot alkoivat iskostua syvemmälle takaraivoon. Ruudukon kooksi asetin tällä kertaa 1,5 kilometriä vaihtelun kunniaksi. ”Select by location” ja ”Join attributes by location” -toimintojen kanssa värkkäilyn jälkeinen lopputulos on nähtävillä alla. Luokkarajoiksi valitsin tällä kertaa  ”equal interval”, joka määritti luokkarajat mielestäni loogisiksi tasaluvuiksi.

Kuva 2: Pääkaupunkiseudun asukkaiden iän keskiarvo ruuduittain 1,5km x 1,5km alueilla (mukana vain ruudut, joissa oli asukasdataa)

Tein edelliselle kartalle kaveriksi toisen ruututeemakartan, joka kuvaa talojen rakentamisvuoden keskiarvoja (kuva 3) – tällä kertaa luokkarajojen arvoiksi valikoitui ”natural breaks”.

Kuva 3: Pääkaupunkiseudun talojen rakentamisvuoden keskiarvo ruuduittain 1,5km x 1,5km alueilla (mukana vain ruudut, joissa oli rakennusdataa)

Karttojen analysointia: sisältö

Kuten kuvasta 2 voi huomata, eniten pääkaupunkiseudulla on asukkaina 34-46 -vuotiaita henkilöitä. Tämä selittyy luonnollisesti pääkaupunkiseudun väestönjakaumalla (kuva 4). Erityisesti nuorempi väestö on asuttanut Helsingin keskusta-aluetta, mikä selittyy luultavasti nuoren väen halulla asua palveluita lähellä, tai ainakin hyvien liikenneyhteyksien varrella. Toisaalta asuntojen hinnat ovat tyypillisesti sitä kalliimpia, mitä lähempänä keskustaa ollaan. Opiskelija-asuntoja on erityisesti kampusten läheisyydessä, mikä osaltaan laskee iän keskiarvoa esimerkiksi Aalto-yliopiston lähettyvillä Otaniemessä.

Yllätyin siitä, että ruutuja, joissa asukkaiden keski-ikä on 22-34v, on vain pari hassua kappaletta. Toisaalta myös keski-iältään 70-82-vuotiaiden ruutuja on vain muutama, liekö näillä alueilla isoja vanhainkoteja ja kosolti muita vanhoille ihmisille tarkoitettuja asumisratkaisuja? Ruutujen koko on 1,5km x 1,5km, mikä vaikuttaa asiaan; tämän kokoiselle alueelle mahtuu paljon eri-ikäisiä asukkaita, joten enemmistönä toimivat 34-58-vuotiaat haukkaavat leijonasosan ruuduista itselleen. Ruutukoko voisi siis olla pienempi tarkempaa tarkastelua varten. Myös Annika on tutkinut pääkaupunkiseudun asukkaiden keski-ikää ruutukoolla 500m x 500m, mikä tarjoaakin havainnollistavampaa ja yksityiskohtaisempaa tietoa asutuksen jakautumisesta. Blogista löytyykin erittäin kattavaa pohdintaa ruututeemakartoista ylipäätään!

Talojen rakentamisvuoden valitsin toiseksi teemakartaksi, koska halusin vertailla, onko talojen ja niiden asukkaiden iällä mitään korrelaatiota. Vanhimpia taloja on Helsingin ydinkeskustassa, jossa sijaitseekin useita komean historian omaavia, jopa 1800-luvulta peräisin olevia kivitaloja, esimerkiksi Esplanadin arvokkaalla asuinalueella. Uudempia taloja taas sijaitsee paljon muun muassa Itä-Helsingin ja Vantaan alueella. Pääpiirteittäin rakennusten ja asukkaiden ikäluokat eivät juurikaan vastaa toisiaan, mitä arvelinkin: mieltymys uusiin, modernia tyyliä edustaviin taloihin ei katso ikää, niin kuin ei myöskään tykästyminen historian havinaa huokuviin asuinrakennuksiin. Lompakon paksuus sen sijaan määrää eniten ihmisten asumismuotoja ja -paikkoja – erityisesti kalliista asunnoistaan tunnetulla pääkaupunkiseudulla.

Kuva 4. Pääkaupunkiseudun kaupunkien ikäjakauma vuonna 2020, Tilastokeskus (StatFin)

Karttojen analysointia: ulkoasu

Valitsin kummankin teemakartan värisävyksi vihreän, mikä yhtenäistää karttojen sanomaa. Sekä asukkaissa että rakennuksissa käytin vaaleanvihreää väriä kuvaamaan nuorta ikää, ja tummempi väri kuvaa vanhempaa ikää. Kuten sanottua, ruutukoko voisi olla kummassakin kartassa pienempi, mikä havainnollistaisi esitettyjä muutujia vielä tehokkaammin. Nykyiselläänkin kartat kuitenkin mielestäni ilmaisevat pääpiirteittäin sen, mitä niiden pitääkin.

Asukkaiden iän keskiarvoa kuvaavan kartan “nuorin” arvo tosin sulautuu hyvin vaaleana turhan tehokkaasti taustaan, mitä olisin voinut fiksata. Jätin karttoihin näkyväksi joet ja järvet, jotka tuovat karttoihin vähän variaatiota – joet tosin näkyvät kartalla vain mustina viivoina, eikä legendassa ole niistä halaistua sanaakaan. Kaupunkien rajat auttaisivat hahmottamaan pääkaupunkiseutua paremmin, ja tärkeimmän nimistön lisääminen parantaisi muutenkin luettavuutta. Sannan blogi muistutti OpenStreetMapin hyödyntämisestä taustakarttana, jonka pluginin (QuickMapServices) olen itsekin ladannut – pitää vain vastaavaisuudessa muistaa käyttää sitä!

Bongasin Ilarin  blogista lukuisia tuhannen taalan vinkkejä karttojen ulkoasujen hiomiseen, kuten “pikimustien kohteiden muuttaminen harmaan sävyisiksi” (esim. alueiden rajat). Nämä havainnot korvan taakse laittaen on hyvä jatkaa!

Katse kohti Pornaisia

Kurssikerran toisella puoliskolla perehdyttiin rasteriaineiston käsittelyyn, ja tässä Pornaisten alueen peruskartta toimi testinukkena. Aluksi rasteriaineistot yhdistettiin virtual raster -toiminnon avulla sekä niiden projektiot vaihdettiin tuttuun ja turvalliseen TM35:een. Näin rasteriaineistot saatiin mukavan kompaktisti taustakartan alle nättiin muotoon. Seuraavaksi aineistolle lisättiin korkeuskäyrät, mikä hoituu Raster –> Contours-napin takaa, ja (hieman liioiteltu) rinnevarjostus, mikä puolestaan onnistuu rasterianalyysi-toiminnon alta (kuva 5). Lisäsin korkeuskäyrät ja rinnevarjostuksen itse kurssikerrankin aikana, mutta koska ne olivat scratch layereita, niin projektia uudestaan aukaistaessa ne olivat kadonneet kuin tuhka tuuleen. Alla olevat elementit lisäsin siis uudestaan, ja vastedes muistan toivon mukaan tallentaa tilapäiset layerit koneen muistille heti. Kuvassa 6 on Maanmittauslaitoksen maastokartta Pornaisten alueesta.

Kuva 5. Pornaisten alueen rinnevarjostusta ja korkeuskäyrät viiden metrin välein
Kuva 6. Maanmittauslaitoksen maastokartta Pornaisten alueesta (paikkatietoikkuna)

Pornaisten alue rajattiin, ja viime periodilta Temmistä tuttu kliksuttelu sai luvan alkaa, kun alueen rakennukset ja isoimmat tiet piirrettiin manuaalisesti, eli digitoitiin, uudelle shapefile-layerille (kuva 7). Aluksi homma sai aikaan vietnamilaisen flashbackin kaltaisia tuntemuksia, mutta A. Paarlahden tyyni neuvo suhtautua työhön ”meditatiivisella otteella” rauhoitti kohonneen verenpaineen ja karanneen sykkeen normaalilukemiin. Hommasta tulikin valmista verrattain nopeasti – urakan jälkeen tallensin heti teiden ja rakennusten scratch layerit pysyviksi layereiksi, koska ajatus bittiavaruuteen katoavista työn hedelmistä ei tuntunut lainkaan houkuttelevalta.

Kuva 7. Pornaisten alueelle manuaalisesti digitoidut tiet ja rakennukset, joita hyödynnetään ensi kurssikerralla

Tällä kurssikerralla tuli siis uutta asiaa laidasta laitaan. Kertaus kuitenkin on tässäkin tapauksessa opintojen äiti, vaikka samojen asioiden toisto tuntuukin aika ajoin turhauttavalta. Tehokkainta ja mieleenpainuvinta oppimisprosessia kuitenkin tapahtuu sen kuuluisan kantapään kautta. Ensi kerrasta lupailtiinkin Paarlahden toimesta tähän asti haastavinta ja oma-aloitteisinta – vajaa viikko tässä on kuitenkin aikaa jäähdytellä ja antaa juuri treenattujen asioiden hautua.

 

Lähteet

Innanen, A. Harjoitus 4: Väestöteemakartta ruutuaineistosta. Luettu 11.2.2021. <https://blogs.helsinki.fi/anninnan/2021/02/11/harjoitus-4-vaestoteemakartta-ruutuaineistosta/>

Jantunen, S. Ruutuleikkejä. Luettu 11.2.2021. <https://blogs.helsinki.fi/smjantun/2021/02/11/ruutuleikkeja/>

Kuntien avainluvut muuttujina Alue 2020, Tiedot ja Vuosi. Tilastokeskus, StatFin, Väestö. Haettu 11.2.2021 <http://pxnet2.stat.fi/PXWeb/pxweb/fi/StatFin/>

Leino, I. Kolmas kurssikerta. Luettu 11.2.2021. <https://blogs.helsinki.fi/ilarilei/2021/02/08/kolmas-kurssikerta/>

Maastokarttarasteri 1:50 000, Pornainen. Maanmittauslaitos, Helsinki 2007. ( <kartta.paikkatietoikkuna.fi> )

3: Konflikteja ja tulvaindeksejä

Heissan,

tämän kerran aluksi ei ollut erillistä teoriaosuutta, vaan hommiin ryhdyttiin heti tutkimalla Afrikan valtiot sisältävää tietokantaa. Harjoitusosuudessa yhdistettiin karttakohteita yhteen aluksi yksitellen (valtioittain) ”merge selected features” -toiminnon avulla. Kätevämmin homma hoitui kuitenkin ”dissolve”-toiminnolla, jolla yhdistäminen voidaan toteuttaa ilman, että jokaista kohdetta tarvitsee valita erikseen. Aggregate-toiminto osoittautui vielä kätevämmäksi kaveriksi tässä asiayhteydessä, kun sillä saa yhdistämisen lisäksi laskettua summia yhteen.

Seuraavaksi tarkasteltiin Afrikan valtioiden väkiluvusta tehtyä excel-taulukkoa, joka muutettiin csv-formaattiin. Tämän yhteydessä päästiin harjoittelemaan join-toimintoa, jota olinkin odotellut ensimmäisestä kerrasta lähtien. Tässä tapauksessa kyseisen toiminnon toimintaperiaate oli vain sykähdyttävän helppoa – kunhan ”join field” ja ”target field” täsmäsivät, niin kaikki pelitti. Kinkkisempi homma lienee, jos toista aineistoa pitäisi muokata eri muotoon, jos niissä ei olisi jo valmiina kahta samankaltaista fieldiä. Lisättiinpä soppaan mukaan tietokannat konflikteista Afrikan valtioissa, timanttikaivoksista sekä öljyesiintymistä.  Kurssikerran oppimistavoitteiksi oli listattu muun muassa tietokannan valmistelua, ulkoisen tiedon liittämistä tietokantaan sekä sarakkeiden tietojen päivittämistä muiden tietokantojen tietojen perusteella. Näistä sain nyt ainakin pintaraapaisun, ja toistojen avulla nämä toiminnot alkanevat hivuta selkärankaan. Todistusaineistoa en toiminnan sykkeen keskellä tajunnut tällä kertaa ottaa.

Afrikan tilanne: konfliktit, raaka-aineet ja internet

Tarkastelemalla tietokantoja konflikteista, timanttikaivoksista, öljykentistä ja internetkäyttäjien lukumäärästä vuositasoilla, saadaan selville kuinka hyvin nämä muuttujat korreloivat keskenään. Käsitän tässä yhteydessä konfliktit aseellisina konflikteina, jotka ovat johtaneet sotilaallisiin toimiin. Timanttikaivosten ja öljykenttien löytämisvuodet lienevät hyvin samankaltaisia konfliktien tapahtumavuosien kanssa, koska timantti ja öljy ovat erittäin haluttuja ja kalliita raaka-aineita, joiden varannoista tapellaan jopa sotimiseen asti. Internetkäyttäjien vuosittainen lukumäärä taas voi korreloida konfliktien tapahtumavuosien kanssa – sotaisalla alueella huomio on muualla kuin internet-verkkojen rakentamisessa. Ylen vuoden 2018 jutun mukaan Afrikan internetkäyttäjien määrä on kuitenkin yli kymmenkertaistunut reilussa vuosikymmenessä: kahdesta prosentista vajaaseen 25 prosenttiin. Internetin käyttäjien määrä onkin yksi oiva indikaattori valtioiden kehittyneisyyttä ja vakautta tarkastellessa.

Jos tietokantaan on tallennettu myös konfliktien laajuus kilometreinä, niin saadaan tietoa siitä, minkä valtioiden alueille nämä konfliktit ulottuvat. Näin voisi tarkemmin tarkastella sitä, sijoittuvatko konfliktit juuri timanttikaivosten ja öljykenttien läheisyyteen. Kunkin valtion tilanne on kuitenkin lopulta itsenäinen, eikä aina edellä mainittuja muuttujia voi verrata toisiinsa järkevästi – kriittisyys on avainasemassa näitäkin asioita tarkastellessa. Lotta Mattila on pohtinut etevästi blogissaan näitä syy-seuraussuhteita.

Kädet syvemmälle saveen

Varsinaisen luennolla tehtävän harjoituskartan jälkeen päästiin jälleen kerran itsenäisiin hommiin, kun tehtävänä oli luoda koropleettikartta Suomen vesistöalueiden valuma-alueominaisuuksista ja tulvaherkkyyksistä, eli tulvaindeksikartta. Tässä vaiheessa pidin suosiolla päivän jäähdyttelytauon, ja torstaina löimme Antin, Elenan ja Laurin kanssa viisaat päämme yhteen, kun kokoonnuimme yhteistuumin tehtävän teon merkeissä.

Onneksi tehtävänannon alussa oli selitetty käsitteet, koska itse ainakin tarvitsin vielä täsmentävää kertausta, jotta ymmärsin, mitä asiaa tässä ylipäätään ruvetaan visualisoimaan. Tulvaindeksi siis vertaa ylivirtaamaa (tulvaa) ja alivirtaamaa (kuivaa kautta) toisiinsa, eli se antaa luvun, kuinka moninkertainen virtaaman huippu on verrattuna kaikkein kuivimpaan aikaan tietyllä valuma-alueella. Valuma-alue taas on vedenjakajien rajaama alue, jolta kaikki vedet päättyvät samaan vesistöön.

Tehtävänannossa oli jälleen kerran annettu vaihtoehtoisesti perusversio ja haastavampi versio, jossa järvisyysprosentti lasketaan itse sekä tulvaindeksi lasketaan käyttämällä kaavaa MHQ (keskiylivirtaama) jaettuna MQ:lla (keskivirtaama). Tartuimma härkää sarvista ja hyppäsimmä haastavamman version kimppuun.

Työnteko lähti käyntiin avaamalla Suomen päävaluma-alueita kuvaava kartta, jonka jälkeen siirryttiin valuma-alueiden (73 kpl) tarkempien pinta-alojen laskemiseen tutulla $AREA -komennolla, ja lisättiin se uuteen sarakkeeseen valuma-alue -layerin attribuuttitaulukkoon. Lukuisten laskutoimitusten (tulvaindeksit ja järvisyysprosentti) ja attribuuttitaulukoiden yhdistelemisen jälkeen tuloksena syntyi koropleettikartta, joka ilmaisee tulvaindeksin valuma-alueittain (kuva 1). Valitsin kartalle sinisen väriskaalan, koska se luonnollisesti kuvaa veteen liittyvää ilmiötä, sekä poistin näkyvistä järvet ja joet selkeyttämään lopputuloksen ulkoasua. Tulvaindeksini arvot kuitenkin poikkeavat suuresti monien muiden kanssakarttailijoiden tekeleistä, kuten Martan, mikä johtunee erilaisesta tulvaindeksin laskentatavasta; myös kaavalla MHQ/MNQ, eli keskiylivirtaama jaettuna keskialivirtaamalla, tulvaindeksi on mahdollista saada selville.

Kuva 1: Tulvaindeksit valuma-alueittain

Tämän jälkeen lisäsin karttaan vielä diagrammin (kuva 2), joka ilmaisee kunkin valuma-alueen järvisyysprosentin, eli järvien osuuden valuma-alueista. Tämä ei ollutkaan mikään helpoin nakki, vaan tekeminen hidastui huomattavasti, kun en tuntunut millään saavan diagrammia ylipäätään näkyviin kartalle. Ongelma ratkesi, kun hoksasin muokata diagrammin asetuksien size-osiosta maksimiarvon oikeaksi (20,42). Myös legendan symbolin kanssa oli oma taistelunsa. Nyt legendan symbolit eivät vastaa muodoltaan täysin kartan palkkeja (neliö vs. suorakulmio), mutta se antaa kuitenkin osviittaa eri kokoisten palkkien suuruusarvosta. Blogissaan Ville hyödynsi ympyrädiagrammin käyttöä, mikä näyttää hyvältä ratkaisulta.

Kuva 2: Tulvaindeksit ja järvisyysprosentit

Lopputulkintoja ja -pohdintoja maallikon silmin

Kaava MHQ/MQ kertoo valuma-alueen keskivirtaaman suhteen verrattuna keskiylivirtaamaan, eli maallikon kielellä: mitä tummempi alue, sitä enemmän siellä tulvii. Karttaa tarkastelemalla voi huomata, että tulvaindeksit ovat suurimpia Rannikko-Suomessa, etenkin alavalla Pohjanmaalla, jossa tulvavedet eivät pääse helposti valumaan esimerkiksi isompaan järveen. Rannikoilla oleva suurempi sademäärä vaikuttaa omalta osaltaan tulvintaan. Myös Etelä-Suomen suurten kaupunkien alueilla tulvaindeksit ovat verrattain suuria, mikä voi johtua tiiviistä rakentamisesta. Lapin tulvaindeksiä nostaa pitkälle kevääseen roudassa oleva maa, sekä sulamisvesien aiheuttamat tulvat.

Samanaikaisesti järvisyysprosentit ovat suurimpia alueilla, joissa on pienin tulvaindeksi, kuten Järvi-Suomessa. Järvisyysprosentti kertookin yksinkertaisesti sen, kuinka suuri osa tietyn alan pinta-alasta prosentteina on järviä. Kartoista jäi vielä puuttumaan tieto, että miltä ajalta nämä tulvaindeksit on mitattu. Helmin blogissa on todella kattavaa pohdintaa sekä Afrikan tilanteeseen että karttoihin liittyen, suosittelen lämpimästi tutustumaan!

Itse kartoista parantaisin vielä pienimpien palkkien kokoa, jotka nyt näyttävät vain viivoilta. Taustavaltioita voisi sumentaa (josta inspiroiduin Helmin blogista), ja lisäksi legendan, mittakaavan ja pohjoisnuolen voisi siirtää kartan sisään, etteivät ne leijuisi vain tyhjässä valkoisessa tilassa kartan ulkopuolella. Kehityskohteita tuleville harjoituksille siis riittää.

 

Lähteet

Huttunen, M. Harjoitus 3: Tiedon tuonnin tulvaa. Luettu 9.2.2021. <https://blogs.helsinki.fi/humartta/>

Lappalainen-Imbert, H. Kerta 3-Kun data ja kartta ovat erillään. Luettu 4.2.2021. <https://blogs.helsinki.fi/laphelmi/>

Mattila, L. Kolmas kurssikerta. Luettu 9.2.2021. <https://blogs.helsinki.fi/lottmatt/>

Väisänen, V. Valuma-alueiden tulvaindeksikartta. Luettu 4.2.2021. <https://blogs.helsinki.fi/villvais/>

YK: Yli puolet maailman väestöstä käyttää jo nettiä. Yle (7.12.2018), luettu 4.2.2021. <https://yle.fi/uutiset/3-10544479>

2: Projektioita ja Pohjois-Karjalaa

Hei taas!

Tämän viikon teoriaosuudessa käsiteltiin datan lähteitä monipuolisesti: mistä ja millaista dataa omiin projekteihin voi saada. Opin uusia asioita tyypillisimmistä ladattavista aineistoista eli rajapinnoista ja niiden sisältämästä datasta – WFS, WMS, WMTS ja WCS tulivat pääpiirteiltään tutuiksi.

Itse harjoitusosuudessa laitettiin teoria käytäntöön, ja harjoiteltiin näiden aineistojen lataamista QGIS:iin. Aluksi pohjalle ladattiin Suomen kuntakartta vuoden 2020 rajoilla, jonka jälkeen treenattiin valintatyökalujen käyttöä (valittiin Pohjois-Karjala omaksi alueekseen), mittatietojen lisäämistä attribuuttitaulukkoon, mittaustyökalujen käyttöä, layereiden muokkaamista ja kartan visualisointia vielä syvemmin. Tämä syvensi tietotaitojani tämän hyvin monipuolisen sovelluksen ominaisuuksista ja käyttötavoista

Pääpointtina tälle kurssikerralle tarkasteltiin eri projektioiden vaikutusta karttojen ulottuvuuksien vääristymiin. Oli hyvin kiinnostavaa huomata konkreettisesti, kuinka paljon eri projektiot vääristävät alueiden etäisyyksiä, pinta-aloja ja muotoja. Kompastuskiviä kuuluu olla, niinpä tälläkin kertaa: kun tietyt projektit valittuna zoomasin karttaa, niin koko kartta hävisi näkyvistä (esim. Pattersonin projektio).  Ongelma johtui luultavasti ylimääräisistä layereista, mutta ohessa koostamani Excel-taulukko samasta valitusta pinta-alasta ja kahden pisteen etäisyydestä niillä projektioilla, jotka eivät kadonneet kuin tuhka tuuleen (taulukko 1).

Taulukko 1: QGIS:llä toteutettuja projektiovertailuja. Cartesian tarkoittaa lukua (etäisyys tai pinta-ala) karttatasolla; QGIS:llä voisi myös mitata ellipsoidisia arvoja, joissa otetaan huomioon myös maan pinnan kaarevuus

Itse harjoituskartta toteutettiin tällä kertaa vertailemalla kahta eri projektiota ja niiden pinta-alavääristymiä. Tunnin aikana tehtiin Mercatorin ja ETRS89-TM35FIN-projektioiden vertailu. Vertailu toteutettiin tekemällä uusi layer, johon lisättiin kummankin projektion pinta-alatiedot. Koska Mercatorin projektiossa pinta-alan vääristymä kasvaa sitä suuremmaksi, mitä kauemmas päiväntasaajasta mennään, niin myös näiden kahden projektioiden ”suhdeluku” on sitä suurempi, mitä pohjoisemmas mennään. Attribuuttitaulussa tehtyjen laskutoimitusten jälkeen saatiin toteutettua kategorisoitu teemakartta, joka ilmaisee Mercatorin projektion pinta-alavääristymät suhteessa TM35-projektioon (kuva 1). Näemmä jätin Mercatorin projektion aktiiviseksi tulostusikkunaan, minkä johdosta Suomi-neidon pää on epäluonnollisen iso hänen alavartaloonsa nähden.

Ohessa myös kuvat vertailemastani janasta (kuva 2) ja pinta-alasta (kuva 3). Kuten kuvasta 1 voi huomata, pinta-alavääristymät pohjoisimmassa Lapissa ovat kaksinkertaiset eteläisimpään Suomeen nähden. Pahimmillaan pinta-alat ovat Mercatorissa yli 8-kertaiset TM35 nähden! Tällainen teemakartta havainnollistaakin konkreettisesti sen, kuinka eri tavoin projektiot vääristävät kolmiulotteisia pintoja karttatasolla

Kuva 1: Tunnilla tehty harjoituskartta. Pinta-alat Mercatorin projektiossa suhteessa TM35FIN-projektioon
Kuva 2: Projektioiden vertailussa käytetty jana
Kuva 3: Pinta-alavertailussa käytetty alue

TM35FIN on kompromissiprojektio, joka pohjautuu poikittaiseen Mercatorin projektioon, eli se on oikeakulmainen lieriöprojektio. Kulmat ilmansuuntien välillä ovat siis oikein, mutta välimatkat ja pinta-alat ovat vääristyneet. Lieriöprojektiossa maapallo sijoitetaan kuvitteellisen lieriön sisään, jolle pinta projisoidaan. Erona Mercatorin projektioon on se, että tässä karttatasoksi avattava lieriö sivuaa jotakin pituuspiiriä eli keskimeridiaania (Suomen tapauksessa 27 astetta itäistä pituutta), kun taas tavallisessa Mercatorissa lieriö sivuaa maapalloa päiväntasaajaa pitkin. Lisäksi tavallisessa Mercatorissa pituus- ja leveyspiirit kuvautuvat yhdensuuntaisesti suorina.

Jaoin kuvan 1 kartan seitsemään eri luokkaan, koska se tuo konkreettisemmin ja todenmukaisemmin tarkasteltavan asian ilmi. Jos se olisi jaettu esimerkiksi vain neljään tai viiteen eri luokkaan, niin kartta ja sen viestimä asia olisi mielestäni ylidramatisoitu.

Thank you, next!

Tein samanlaisen projektiovertailun Mollweiden projektiosta verrattuna samaiseen TM35FIN-projektioon (kuva 4). Mollweiden projektio on lieriöprojektiosta muokattu oikeapintainen karttaprojektio (Wikipedia), mistä johtuukin, että erot ovat selvästi hillitymmät. Oikeapintainen projektio näyttää pinta-alat oikein, jolloin muodot ja etäisyydet vääristyvät. Itseäni ihmetyttää tässä kartassa epäloogiset luokkarajojen vaihtelut – kahdessa muussa kartassa (kuva 1 ja kuva 5) luokkarajat vaihtuvat selkeän loogisesti etelästä pohjoiseen. Syytä tälle en oikeastaan keksinyt. Luokkarajoja tässä kartassa voisi olla vähemmän, koska nyt eri luokkarajojen arvot ovat lähes identtiset. Tämä voisi olla oivallinen esimerkki huonosta kartasta; kartta on epäloogisuuden lisäksi todella epäinformatiivinen. Kartta antaa olettaa, että alimman ja korkeimman kategorian välillä on suuren suuri ero, vaikka todellisuudessa ero on huikeat 0,004 yksikköä. Ensisilmäyksellä muodostuva mielikuva on siis auttamatta väärä. Lisäksi ihmettelen edelleen jokaisessa kartassa esiintyvää seikkaa, jossa tietyn luokkarajan suurin arvo on sama kuin seuraavan luokkarajan pienin arvo. Elena on vertaillut Quartic authalic -projektiota, jossa lopputulos on samankaltainen kuin alla oleva kartta.

Kuva 4: Mollweiden projektion pinta-alan vääristymät verrattuna TM35FIN-projektioon

Koska halusin tehdä koropleettikartan, jossa eri projektioiden muodostamat pinta-alan vääristymät ovat selkeämmät, valitsin vielä toisen vertailtavan projektion. Projektioksi valikoitui Aitoffin projektio, joka on muodostettu oikeakeskipituisesta tasoprojektiosta (kuva 5) (Wikipedia). Oikeapituinen kartta vääristää muotoja ja pinta-aloja, mutta ilmoittaa paikkojen etäisyydet oikein. Tasoprojektio on projisoitu levyn näköiselle tasolle, joka sivuaa maapalloa yhdessä pisteessä. Näin ollen lähimpänä sivuavaa pistettä olevat alueet vääristyvät vähiten – Aitoffin projektiossa tämä sivuamispiste on päiväntasaajalla. Koska Suomi sijaitsee muutenkin kaukana päiväntasaajasta, niin pinta-alan vääristymät vain suurenevat pohjoisemmas mentäessä, juuri kuten Mercatorin projektiossa. Vääristymät vain ovat maltillisemmat.

Kuva 5. Aitoffin projektion pinta-alan vääristymät verrattuna ETRS89-TM35FIN-projektioon

Asetin tälle koropleettikartalle kolme eri luokkaa, mikä tekee siitä paljon selkeämmän ja helpommin luettavan edelliseen kartantekeleeseen verrattuna (kuva 4). Valitsin jokaisessa kartassa värit sillä logiikalla, että mitä isompi pinta-alavääristymä on, sitä tummempi on myös alueen väritys. Tämä mielestäni palvelee karttojen sanomaa siitä, että jokaista karttaa tutkiessa ja tulkitessa tulisi ottaa huomioon siinä käytetty projektio ja näin ollen eri ulottuvuuksien virheellisyys. Mikään kartta ei ole täydellinen, vaan aina jokin ulottuvuus (pituus, muoto tai pinta-ala) on vääristynyt, koska maa sattuu olemaan pallon muotoinen, ja karttaesitys on kaksiulotteinen taso. Varsinkin kuvan 4 esittämä kartta Mollweiden pinta-alan vääristymistä on mielestäni turhan sekava väritykseltään, joten väriskaaloihin haluan kiinnittää tarkemmin huomiota tulevissa harjoituksissa.

Suosittelen tsekkaamaan Lotan blogin, jossa hän vertailee eri projektioiden aiheuttamien pinta-alavääristymien lisäksi toisenlaista teemakarttaa: millä tavalla 65-vuotiaiden lukumäärä kunnittain visualisoituu eri projektioilla!

Loppupohdinnat

Tämän viikon QGIS-harjoittelut tuntuivat jo selkeästi helpommilta edelliseen viikkoon verrattuna, koska itse sovellus ei ole enää täysin vieras. Perusominaisuuksista alkaa päästä jyvälle, eikä pikkuominaisuuksien löytämiseen ja näpräilyyn tarvitse käyttää turhauttavan paljon aikaa, kun toimintojen sijainnit alkavat tarttua lihasmuistiin. Lisäksi bongasin Eeron blogista Quick Map Services -pluginin, joka luultavasti osoittautuu hyödylliseksi tulevissa harjoituksissa ja mitä erilaisimpien karttaesitysten teossa.

Projektioilla on valtava voima vaikuttaa kartan ulkoasuun, eikä lause ”kartat voivat toimia mielipidevaikuttajina” ole todellakaan tuulesta temmattu. Pinta-alavääristymillä voidaan korostaa tietyn alueen kokoa kartalla, mikä saa esimerkiksi siellä esiintyvät erilaiset ilmiöt vaikuttamaan kartan lukijalle tärkeimmiltä. Samanaikaisesti alueet, jotka näyttäytyvät todellisuuden suhdetta pienemmiltä, jäävät helposti varjoon. Pahimmillaan tämä voi vaikuttaa poliittiseen päätöksentekoon ja jopa kriisiavun keskittämiseen. Maailman käytetyintä karttaprojektiota, Mercatoria, onkin kritisoitu vääristyneestä maailmankuvasta, jonka se lukijoilleen tarjoaa: Venäjä ja Pohjois-Amerikka korostuvat kartalla, kun taas esimerkiksi Afrikka ja Etelä-Amerikka näyttävät todellista pienemmiltä. Lähdekriittisyys ja kartantulkinta ovat mielestäni sellaisia asioita, joita ei voi korostaa liikaa esimerkiksi peruskoulun ja lukion maantiedon tunneilla.

 

Lähteet

Brander, N., Hiekka, S., Paarlahti, A., Ruth, C., Ruth, O. (2014). Manner 4: Aluetutkimus. 1.-3. p. “Kartat ovat paikkatietoa”. Otava, Keuruu (2017).

El Founti, E. II: Projektiovääristymiä ja näkökulmia. Luettu 2.2.2021. <https://blogs.helsinki.fi/elfelena/2021/01/31/ii-projektiovaaristymia-ja-nakokulmia/>

Maailma venyy ja paukkuu kartalla.  Maanmittauslaitos. Luettu 28.1.2021. <https://www.maanmittauslaitos.fi/tietoa-maanmittauslaitoksesta/ajankohtaista/lehdet-ja-julkaisut/tietoa-maasta/maailma-venyy-ja-paukkuu>

Puodinketo, L. 2. kurssikerta: toimintojen kertausta. Luettu 30.1.2021. <https://blogs.helsinki.fi/lottapuo/>

Turkki, E. Aineistolähteitä sekä projektioita. Luettu 2.2.2021. <https://blogs.helsinki.fi/turkkiee/>

Wikipedia (2016). Aitoffin projektio. Luettu 28.1.2021. <https://fi.wikipedia.org/wiki/Aitoffin_projektio>

Wikipedia (2016). Mollweiden projektio. Luettu 28.1.2021. <https://fi.wikipedia.org/wiki/Mollweiden_projektio>

1: Tutustumista QGIS-ohjelmistoon

Hei ja tervetuloa seurailemaan MAA-202 -kurssin blogiani!

Olin itse ensimmäisen kurssikerran pois Zoom-tunnilta, mutta katselin avausluennon tallenteen, diat ja tehtäväohjeet läpi itsenäisesti jälkikäteen. ”Geoinformatiikan menetelmät 1” -avausluennon aluksi käytiin läpi kurssin aikataulut, tavoitteet, suoritettavat harjoitukset ja arviointiperusteet. Kurssi pohjautuu QGIS-ohjelmistoon, jonka avulla tutustutaan yleisesti eri paikkatietoesityksiin ja toteutetaan itse erilaisia karttaesityksiä. Samanaikaisesti pidetään yllä omaa blogisivua, joka toimii samalla henkilökohtaisena oppimispäiväkirjana – yhteisöllisyyttä ja ”interaktiivisuutta” kurssiin tuo toisten blogiteksteihin ja -töihin viittaaminen, kommentointi ja analysointi. Tällä harjoitellaan “tiedeyhteisössä toimimista”. Oppimispäiväkirjan ylläpitäminen auttaa pohtimaan omien työskentelytapojen vahvuuksia ja heikkouksia.

Tällainen erilainen kurssin suorittamistyyli vaikuttaa innostavalta ja inspiroivalta. Tykkäsin kovasti edellisen periodin ”Tiedon esittäminen maantieteessä” -kurssista, jossa pääsi konkreettisesti itse luomaan karttaesityksiä ja tutustumaan prosesseihin kartanteon taustalla CorelDraw -sovelluksen avulla. Tämä kurssi vaikuttaakin olevan samalla tavalla aktivoiva kurssi, jossa pääsee itse tekemään ja analysoimaan erilaisia kartta- ja paikkatietoesityksiä. Haasteena on toki se, että kurssi pidetään kokonaan etänä – TEM-kurssin erityisenä vahvuutena olivatkin sen live-tunnit kampuksella. Uskon kuitenkin, että suoritustavasta huolimatta tämä kurssi opettaa paljon uutta paikkatiedon hallitsemiseen, käsittelemiseen ja analysointiin liittyvistä seikoista. Tulevilla luennoilla aion aukaista itse Zoom-puhelun vanhalle lukioläppärilleni, mikä vapauttaa nykyisen tietokoneeni näytön kokonaan QGIS:n käytölle.

Odotan kurssilta erityisesti blogisivujen hyödyntämistä: on hauska lukea muiden blogitekstejä ja katsella heidän tuottamiaan karttoja, samalla omiin tuotoksiin reflektoiden. Yleisesti geoinformatiikka vaikuttaa kiinnostavalta ”tulevaisuuden alalta”, jonka opiskelemisesta ja osaamisesta on paljon hyötyä työmarkkinoilla, ja laajemminkin yhteiskunnan eri sektoreilla. Itseäni kiinnostaisi opetella yliopistossa myös koodaamisen alkeita, jotka sitten tukisivat geoinformatiikan opintoja. Kurssin tavoitteenani on myös oppia käyttämään ja hyödyntämään QGIS:iä sujuvasti.

Harjoitustehtävä

Kurssikerran teoriaosuudessa käytiin läpi eri paikkatietoon liittyviä termejä; mistä eri palasista paikkatieto koostuu sekä eri paikkatiedon esitystavoista. Teoriaosuus oli pitkälti kertausta 1. periodin ”Johdatus geoinformatiikkaan” -kurssilla läpikäydyistä asioista. Kurssikerran harjoitusosuus taas perehdytti itse QGIS-sovelluksen käyttöön, joka on itselleni täysin uusi tuttavuus.

Varsinkin tällaiseen uudenlaiseen sovellukseen tutustuessani etenen vaihe vaiheelta ohjeita tarkasti seuraten, jotta saan perustoiminnot haltuun. Työskentely on näin ensiaskeleita ottaessa melko hidasta ja kankeaa, mutta uskon, että kun tässä viikkojen myötä QGIS:iä käyttää enemmän, niin eri ominaisuudet tulevat tutummaksi ja samalla sovelluksen käyttäminen tulee sujuvammaksi. Nyt ensimmäisellä kerralla eri painikkeiden etsimiseenkin meni oma aikansa. Sain kuitenkin lopulta tehtyä jonkin näköisen koropleettikartan (kuva 1), joka visualisoi Itämerta ympäröivien valtioiden suhteutetut typpipäästöt. Ulkonäössä on hiomisen varaa, mutta opettelun myötä tyyliseikatkin paranevat. Yleisesti ottaen QGIS vaikuttaa oikein kattavalta, käyttökelpoiselta ja monipuoliselta sovellukselta, jossa riittää ominaisuuksia pilvin pimein. Legendan, mittakaavan ja pohjoisnuolen liittäminen karttaan sujuu käden käänteessä tulostusikkunassa (vrt. CorelDraw).

Kuva 1: Ensimmäinen QGIS:llä tehty harjoituskartta. Itämerta ympäröivien valtioiden suhteellinen typpipäästöjen osuus (%)

Kotitehtävä

Ensimmäisen luentokerran kotitehtävässä oli kolme vaihtoehtoa, joissa hyödynnettiin Suomen kuntakarttaa, ja luotiin tämän pohjalta koropleettikartta itseä kiinnostavasta aiheesta. Käytin Moodlessa olevaa valmista Suomen kuntakarttaa, johon – tulevia kuntavaaleja silmällä pitäen – latasin Sotkanetistä kuntakohtaisen aineiston vuoden 2017 kuntavaaleista: ”Äänestysaktiivisuus kuntavaaleissa, %” csv-tiedostona. Itsevarmuutta puhkuen uskottelin itselleni, että tämän aineiston liittäminen kuntakarttapohjaan join-toiminnolla onnistuisi käden käänteessä. Toisin kuitenkin kävi, ja lukuisten tutoriaalien sekä yrityksen ja erehdyksen kautta siirryin suosiolla, kärsivällisyyden loputtua, hyödyntämään kuntakartassa valmiina olevia aineistoja – toivoen, että join-toimintoa käydään läpi tarkemmin tulevilla kurssikerroilla. Suosittelen käymään kurkistamassa Annikan blogin, hän nimittäin onnistui tekemään hienon kartan Sotkanetistä ladatusta aineistosta – samalla eri työvaiheet selkeästi selittäen!

Päädyinkin luomaan koropleettikartan eri kunnissa sijaitsevista kesämökkien suhteellisista määristä (kuva 2). Nämä kuntakartan valmiit muuttujat ovat vuodelta 2015. Kartan luominen sujui melko vaivattomasti, ohjeista piti vain tarkistaa suhteellisten lukuarvojen tekeminen. Luokka-arvojen rajoiksi valitsin “natural breaks”, joka jakoi luokat mielestäni järkeviin eri kokonaisuuksiin.

Kuva 2: Kesämökkien suhteellinen osuus kunnittain vuonna 2015 (%)

Kartasta voi huomata, että erityisesti Etelä-Suomessa ja rannikkokaupungeilla kesämökkien suhteelliset osuudet ovat isot. Myös erityisesti tietyissä Järvi-Suomen kunnissa kesämökkejä on paljon; tyypillinen suomalainen miljöö järven rannalla viehättää. Sisämaassa, eritoten Pohjanmaan alueella, osuus taas on pienempi. Tämä voi selittyä ainakin asutuksen jakautumisella; Etelä-Suomessa asuu eniten ihmisiä, eikä kesämökkiä välttämättä haluta sellaisesta kunnasta, joka sijaitsee päivän ajomatkan päässä. Naapurikuntia suositaan, ja erityisesti rannikkoalueet ovat suosittuja kesämökkien sijaintikohteita. Etuoven blogitekstissä on listattu 10 suosituinta kesämökkipaikkakuntaa; kolmen kärjen muodostavat Kuusamo, Kuopio ja Lohja. Kuusamo kiinnostaa loma-asunnon etsijiä ympäri vuoden, Kuopiossa oli Tilastokeskuksen taulukon mukaan Suomen paikkakunnista eniten mökkejä vuonna 2019 (yli 10 000), ja Lohja sijaitsee alle tunnin matkan päässä Helsingistä, mikä selittää siellä kukoistavan kesämökkibisneksen.

Kartta on ulkomuodoltaan todella yksinkertainen, mutta uskoisin, että siinä on kaikki tarvittavat peruselementit, ja se esittää eri luokka-arvoina sen mitä pitääkin. Isompi luokka-arvo alkaa kuitenkin aina samasta arvosta mihin pienempi luokka-arvo päättyy, mikä ihmetyttää minua – toimivassa alueluokituskartassa kyseiset arvot ovat erisuuruisia. Tästä suunta on eteenpäin kohti enemmän informaatiota sisältäviä karttaesityksiä!

Huomasin myös, että esimerkiksi Emilia on tuottanut blogiinsa samasta aiheesta parikin karttaesitystä – kesämökkien suhteelliset ja absoluuttiset määrät kunnittain. Absoluuttinen määrä kertookin kartan tarkastelijalle konkreettisemmin mökkien määrät, joten se on hyvä lisäys suhteellisten määrien kaveriksi!

Loppupohdinnat

Tältä ensimmäiseltä kurssikerralta käteen jäi perusteet QGIS:n toiminnasta: layerit, yksinkertaisten karttaesitysten teko, attribuutiotaulujen tutkiminen ja muokkaaminen, sekä tulostusikkunan luominen ja tärkeimpien karttaelementtien lisääminen. Sovellus vaikuttaa tarjoavan uskomattoman määrän erilaisia ominaisuuksia, ja kun sen käyttöön pääsee jyvälle, niin näitä eri toimintoja voi hyödyntää todella monipuolisten ja informatiivisten esitysten tekemiseen.

Lähteet

Halmes, E. (2021). Harjoitus 1: Tutustumista QGIS-ohjelmaan. Viitattu 30.3.2021. <https://blogs.helsinki.fi/emhalmes/2021/01/28/harjoitus-1-tutustumista-qgis-ohjelmaan/>

Innanen, A. (2021). Harjoitus 1: Koropleettikartan laatiminen QGISissä. Viitattu 23.1.2021. <https://blogs.helsinki.fi/anninnan/2021/01/22/harjoitus-1-koropleettikartan-laatiminen-qgisissa/>

Kesämökin osto – nämä ovat suosituimmat mökkipaikkakunnat. Viitattu 26.1.2021. <https://www.etuovi.com/koti/blogi/kesamokin-osto-nama-ovat-suosituimmat-mokkipaikkakunnat/>

Kesämökit (2019). Tilastokeskus, Helsinki. Viitattu 26.1.2021. <https://www.stat.fi/til/rakke/2019/rakke_2019_2020-05-27_kat_001_fi.html>