teemuhay’s blog

Seitsemännellä eli viimeisellä kurssikerralla saimme etsiä itse aineistoa ja tutkia itseä kiinnostavaa ilmiötä QGIS:n avulla. Viimeisellä kurssikerralla pääsimme siis testaamaan kurssilla opittuja taitoja omatoimisesti.

Aineiston etsiminen

Aineiston etsiminen osoittautui yllättävän hankalaksi. Aluksi löytämäni data oli väärässä muodossa ja sitä olisi pitänyt muokata paljon. Huomasin, että Pietulla kesti myös yllättävän kauan etsiä sopivaa aineistoa, mutta lopulta hän löysi hyvän aineiston ja selvisi vain pienellä muokkauksella (Nuortimo, 2024).  QGIS:n heikkous onkin ehkä se, että se ei ole kovin käyttäjäystävällinen. Toisaalta onhan se ihan ymmärrettävää, että kaikki data pitää olla täsmälleen oikeassa muodossa. Mielestäni olisi hyvä, jos esimerkiksi data kerättäisiin aina samassa muodossa, jotta sitä olisi helpompi hyödyntää.

Päätin etsiä parempaa aineistoa ja löysinkin shape file -muotoista dataa. Löysin Syke:n LAPIO-palvelusta dataa Natura 2000 -alueista ja asuinalueista (LAPIO). LAPIO-palvelusta pystyi helposti valitsemaan tarkasteltavan alueen ja halutut muuttuja. Halusin tarkastella pääkaupunkiseudun Natura 2000 -alueiden sijoittumista suhteessa asuinalueisiin. Natura 2000 -alueet ovat Euroopan unionin määräämiä luonnonsuojelualueita, joilla pyritään estämään luontokatoa Eu:n alueella (Ympäristöministeriö).

Kartan luominen

Tavoitteeni oli tehdä kartta, jossa näytetään asuin- ja Natura 2000 -alueiden sijoittuminen ja niiden läheisyys etenkin pääkaupunkiseudulla. Karttaa tehdessäni käytin monia kurssilla oppimiani taitoja.

Datassani kerrostalo-, pientalo- ja haja-asutusalueet olivat erillään, joten liitin kaikkien asuinalueiden tiedot yhteen layeriin. Näin ollen pystyin tarkastelemaan asuinalueita yleisesti.

Tämän jälkeen tein toisen kartan, jossa käytin bufferointia. Bufferoin Natura 2000 -alueille 1 km vaikutusalueen. Luonnonsuojelualueilla pyritään luomaan suojelualueesta riippuen tarpeeksi suuri suojavyöhyke, jossa ihmistoimintaa rajoitettaisiin. Valitsin vaikutusalueeksi 1 km, koska suojavyöhykkeet vaihtelevat alueittain ja 1 km voisi mielestäni olla keskimääräinen suojavyöhyke.

Ongelmia esiintyi, kun yhdistin tietoja lokaation perusteella. Olisin halunnut selvittää, kuinka paljon asuinpinta-alaa on 1 km vyöhykkeellä Natura 2000 -alueista. Jostain syystä joined layrille tiedot eivät siirtyneet enkä saanut tarkkoja leikkauspinta-aloja selvitettyä. Kartan avulla nähdään kuitenkin ilmiö ilman tarkkoja pinta-alojakin.

Kuva 1. Pääkaupunkiseudun Natura 2000 alueiden sijoittuminen suhteessa asutukseen.

Tulkintaa

Ensimmäisestä kartasta nähdään, että Natura 2000 -alueet eivät juuri leikkaa asuinalueiden kanssa (kuva 1). Natura 2000 -alueet myötäilevät kuitenkin asuinalueita ja pieniä suojelualueita on sijoitettu ympäri pääkaupunkiseutua (kuva 1). Osa Natura 2000 -alueista ovat niin pieniä ja hajanaisia, että niiden toimivuus suojelualueena voidaan kyseenalaistaa.

Toisesta kartasta nähdään, että etenkin pääkaupunkiseudun alueella hyvin paljon asuinalueita osuu Natura 2000 -alueiden 1 km vaikutusalueelle (kuva 2). Kartasta nähdään nyt myös hyvin kapea ja pitkä suojelualue, mikä ei ensimmäisessä kartassa edes näkynyt (kuva 2). Tällainen pitkulainen suojelualue ei ole optimaalinen, koska se on alttiina ympäröivien alueiden reunavaikutukselle.

Mielestäni Natura 2000 -alueiden toimivuus luonnonsuojelualueina on hieman kyseenalaista. Pääkaupunkiseudulla Natura 2000 -alueet ovat asutuksen välittömässä läheisyydessä ja niiden sijoittuminen sekä koko eivät ole optimaalisia luonnonsuojelualueiden näkökulmasta. Kaupunkialueiden luonnonsuojelu on kuitenkin välttämätöntä monimuotoisuuden säilyttämiseksi. Toivonkin, että Natura 2000 -alueiden läheisyydessä ihmisen toimintaa ohjattaisiin luontoa kunnioittavaan suuntaan esimerkiksi merkityillä poluilla ja tietoiskuina alueen erityisyydestä.

Loppufiiliksiä

Kurssi oli mielestäni erittäin hyvä, koska uskon oppineeni hyvin paljon uusia asioita. Uskon osaavani käyttää nyt QGIS:a suhteellisen hyvin, vaikka välillä onkin hankaluuksia. Kurssin opetusmenetelmä oli todella hyvä. Itse opin parhaiten kun ensin tehdään opettajan johdolla ja sitten saa tehdä itse.

Kiitos lukemisesta 🙂

Lähteet

Kuudennella kurssikerralla harjoittelimme oman aineiston keräämistä, interpolointia ja aineiston tuomista QGIS:iin. Teimme myös hasardikarttoja. Kurssikerralla huomasin, että osaan hyvin tuoda aineiston erilaisissa csv-muodoissa QGIS:iin. Opin myös interpoloimaan ja ymmärsin, että interpolointia voidaan hyödyntää vain tiettyjen ominaisuuksien ilmentämisessä.

Oman aineiston kerääminen ja interpolointi

Keräsimme kurssikerran alussa turvallisuusdataa Epicollect5-sovelluksella. Tuotimme aineiston perusteella turvallisuuskartan Kumpulan alueesta (kuva 1).

Kartasta nähdään, että Kumpulan kampusalue koetaan turvalliseksi ja suurien teiden varret koetaan turvattomiksi (kuva 1). Turvattomuutta aiheuttaa myös liukkaat keliolosuhteet ja etenkin mäet koettiin turvattomiksi (kuva 1).

Interpolointi on erinomainen työkalu, jos on tarpeeksi systemaattisesti kerättyä dataa. Interpoloinnin avulla voidaan siis huomata tietyn alueen ominaisuuksia ja se sopii parhaiten ääripäiden tutkimiseen. Interpoloinnin haasteena on voimakas yleistys, koska QGIS interpoloi keskiarvoiseksi sellaisia paikkoja, joilla ei ole dataa lähimaillakaan. Ei siis voida olla varmoja tarkoista alueen turvallisuusluokituksista, koska kaikkialla ei ole dataa eikä interpoloinnissa selviä, mistä alueilta data puuttuu. Jos siis halutaan tehdä onnistunut interpolointi turvallisuuden tunteesta, dataa täytyy kerätä systemaattisesti jokaisesta paikasta.

Hasardikartat

Tarkoituksena oli tuottaa hasardikarttoja, joita voi hyödyntää opetuksessa. Tämä on erittäin mielenkiintoinen ja hyödyllinen tehtävä, koska olen opelinjalla! Vaikka tuottamani kartat ovat hyvin yksinkertaisia, niitä voi mahdollisesti hyödyntää opetuksessa.  Esimerkiksi eri vuosien maanjäristyskartat osoittavat, että järistyksiä tapahtuu tietyillä alueilla vuodesta toiseen.

Tein aluksi Pohjois-Amerikan tulivuorten korkeuksista kartan (kuva 2). Kartasta huomataan, että suurimmat tulivuoret sijoittuvat mannerlaattojen raja-alueelle (kuva 2). Tarkastelin kuitenkin pääasiassa maanjäristysten vuosittaista toistuvuutta. Tulivuorten korkeuskarttaan olisin voinut laittaa luokkavärit selkeämmin toisistaan erotettavaksi.

Seuraavaksi tutkin Yhdysvaltojen maanjäristyksien vuosittaisia eroavaisuuksia vuodesta 2020 vuoteen 2023 (kuva 3) (kuva 4) (kuva 5). Maanjäristyskarttojen perusteella huomasin, että maanjäristykset tapahtuvat vuodesta toiseen suunnilleen samoissa paikoissa yhtä voimakkaina. Maanjäristykset tapahtuvat useimmiten mannerlaattojen reuna-alueilla ja 70-90 % maailman vuosittaisista maanjäristyksistä tapahtuu Tyynenmeren mannerlaatan reunoilla (Seismologian instituutti). Järistyksiä tapahtuu siis erityisen paljon Pohjois-Amerikan ja Tyynenmeren mannerlaattojen rajan tuntumassa. Koska alue on seismisesti aktiivinen, se soveltuu hyvin opetukseen kuvaamaan maanjäristyksien suuria vuosittaisia määriä alueellisesti.

Mielestäni tekemäni maanjäristyskartat kuvaavat hyvin ilmiön toistuvuutta ja karttoja voisi käyttää mahdollisesti opetuksessa. Olisin voinut vielä muuttaa maanjäristyksiä kuvaavien pisteiden kokoa, kuten Antti oli tehnyt (Pihlavisto, 2024). Pisteiden kokoa muuttamalla maanjäristysten voimakkuutta olisi voitu korostaa entisestään. Tekisin opetusta varten vielä yhden kartan, jossa näkyy koko maailman yhden vuoden maanjäristykset. Koko maailman järistyskartta auttaisi hahmottamaan mannerlaattojen merkitystä maanjäristyksissä.

 

Lähteet

Viidennellä kurssikerralla harjoittelimme bufferointia hyvin monien toistojen ja itsenäisten tehtävien avulla. Tajusin miten hyödyllistä bufferoinnin osaaminen on. Bufferointia voidaan hyödyntää vaikutusalueen suuruuden tutkimisessa.

Bufferointitehtäviä

Aluksi harjoittelimme bufferointia opettajan johdolla ja sen jälkeen teimme itsenäisiä tehtäviä.  Osasin suhteellisen hyvin tehdä tehtäviä itsenäisesti, vaikka välillä jouduinkin pyytämään apua. Nyt osaan tutkia vaikutusalueita QGIS-ohjelmassa!

Kurssikerralla oli tarkoitus tehdä niin monta tehtävää, kuin kerkesi, jotta saisi mahdollisimman paljon toistoa bufferien käytöstä. Tehtäviä tuntui olevan hyvin paljon, joten panostin siihen, että ymmärsin asiat. Menin siis ennemmin laatu, kuin määrä edellä.

Tarkastelin aluksi Malmin lentokentän läheisyydessä asuvien ihmisten määrää. Tähän tehtävään hyödynsin aikaisemmilla kurssikerroilla oppimiani taitoja, kuten digitointia. Muistin aikaisempien kurssikertojen opit hyvin. Mielenkiintoista, että 2 km päässä lentokentästä asuu yli 6 kertaa enemmän ihmisiä, kuin 1 km päässä kentästä (taulukko 1). Lentokentän meluhaitat laskevat siis todennäköisesti 1 km jälkeen.

Taulukko 1. Malmin lentokentän läheisyydessä asuvat ihmiset.

Seuraavaksi tarkastelin Helsinki-Vantaan lentokentän melutasoja ja niiden vaikutuksia asukasmääriin. Huomasin, että alueella, jossa melutaso on vähintään 55 dB, asuu lähes 12 tuhatta ihmistä (taulukko 2). Pahimmalla melualueella asuu vain noin 300 ihmistä (taulukko 2). Mielenkiintoista, että pahimman melutason alueella asuu hyvin vähän ihmisiä ja vain 10 dB hiljaisemmalla alueella asuu jo lähes 12 tuhatta ihmistä. Tutkin myös, miten moni ihminen altistuu 60 dB melutasolle, jos lentoliikenteessä on poikkeuksia ja joudutaan käyttämään ylimääräistä kiitorataa. Noin 13 tuhatta ihmistä altistuu 60 dB melulle lentoliikenteen poikkeustilanteissa. Tuloksista voidaankin siis päätellä, että melualueet vaikuttavat rakentamiseen eli asuinrakennuksia pyritään rakentamaan alueille, joissa ei ole paljon melusaastetta.

Taulukko 2. Helsinkin-Vantaan lentokentän alueen melutaso ja asukkaiden määrä.

Tutkin vielä hieman juna- ja metroasemien läheisyydessä asuvia asukkaita. Tutkin, kuinka monta ihmistä asuu 500 m päässä juna- tai metroasemasta. Noin 265 tuhatta pääkaupunkiseudun asukasta asuu 500 m päässä juna- tai metroasemasta (taulukko 3). Eli yli 25 % pääkaupunkiseutulaisista asuu pysäkkien varrella. Tuloksista voidaankin siis päätellä, että juna- ja metroasemat ovat sijoitettu siten, että ne olisivat mahdollisimman monelle ihmiselle saavutettavissa.

Taulukko 3. Juna- ja metroasemien läheisyydessä asuvat asukkaat. 

Työn jälkeisiä ajatuksia

Oli hauska päästä haastamaan itseään itsenäisten tehtävien parissa ja apuakin sai, kun sitä tarvitsi. Mielestäni opin hyvin bufferoinnin ja koen, että se on erittäin hyödyllinen taito. Armida pitää select features by-komennoista eniten QGIS:ssa (Wanström, 2024). Olen Armidan kanssa samaa mieltä, sillä select features by-komennot ovat hyvin helppokäyttöisiä ja ne antavat konkreettista tietoa alueen vaikutuksista.

Mielestäni bufferoinnin osaaminen on erityisen tärkeää, koska sitä hyödynnetään vaikutusalueen tutkimuksessa. Voidaan esimerkiksi määrittää asuinrakennusten sijoittaminen sen mukaan, minkälainen on alueen melutaso. Voidaan myös suunnitella mahdollisimman saavutettava julkinen liikenne tarkastelemalla lähialueen asutusta.

Kiitos lukemisesta 🙂

Lähteet:

Wanström, A. Bufferointi ja reflektointi viikko 5. Gissful thinking. 2024. https://blogs.helsinki.fi/armida/2024/02/15/bufferointi-ja-reflektointi-viikko-5/

Neljännellä kurssikerralla teimme ruututeemakarttoja rasteriaineiston avulla. Lisäksi tarkastelimme laaserikeila-aineistoja ja teimme korkeuskäyrät sekä rinnevarjostukset rasteriaineistoon. Digitoimme myös Pornaisten alueen päätiet ja asuinrakennukset seuraavaa itsenäistä tehtävää varten – jännää.

Ruututeemakartta

Teimme aluksi pistemuotoisen aineiston avulla ruutukartan, jossa ilmeni ruotsinkielisten määrä 1 km*1 km alueella. Kartta ei ollut kovin informatiivinen, koska alueilla, joilla on paljon asukkaita, on myös todennäköisesti paljon ruotsinkielisiä. Huomasin muiden blogeja lukiessani, että Hilla oli liittänyt blogiinsa ruotsinkielisten suhteellisten osuuksien lisäksi kartan ruotsinkielisten absoluuttisesta määrästä (Kontinen, 2024). Hillan kartasta huomataan hyvin kartan ongelmat ja hän pystyi perustelemaan sen avulla, miksi ruotsinkielisten suhteelliset osuudet kuvaavat ruotsinkielisten jakautumista paremmin.

Tein viime kertojen oppien mukaisesti uuden sarakkeen, jossa on kerrottu ruotsinkielisten prosenttiosuudet tietyllä alueella. Visualisoin tiedon kartalle ja sain mielenkiintoisia tuloksia (kuva 1). Nyt ruotsinkielisiä ei näkynyt vain tiheästi asutuilla paikoilla, vaan ruotsinkielisten suhteelliset määrät jakautuvat ympäri karttaa. Erityisesti Sipoossa ja Espoon Suvisaaristossa on monia alueita, joissa ruotsinkielisiä on yli puolet asukkaista. 

Mielestäni 1 km*1km ruutukoko kuvaa hyvin tutkittua ilmiötä, koska tarkastelualue on suhteellisen suuri. Pienemmällä tarkastelualueella ruutukoko olisi voinut olla pienempi, jolloin pystyisi tutkimaan pienemmän alueen eroja. Ruututeemakartan luettavuus on parhaimmillaan tämän kokoisilla tutkimusalueilla. Paljon isommilla alueilla koropleettiteemakartan luettavuus olisi parempi ja paljon pienemmillä alueilla pisteteemakartan luettavuus olisi parempi.

Koropleetti-, ruutu- ja pisteteemakartoissa on eroja. Koropleettiteemakartta perustuu ennalta määrättyyn aluejakoon, kuten kuntajakoon ja ominaisuudet luokitellaan usein värin tummuusasteina (Sanastokeskus, 2018). Ruututeemakartan erona on se, että alue jaetaan aina saman kokoisiin ruutuihin. Pisteteemakartta osoittaa ominaisuustiedon pisteinä tietyllä alueella. Koropleettiteemakartan avulla voidaan siis tarkastella suurien alueiden ominaisuuksia, ruututeemakartan avulla tietyn alueen eroavaisuudet tulevat esille ja pistekartan avulla voidaan tarkastella, miten ominaisuus sijoittuu yhdellä ruudulla.

Mielestäni onnistuin kartan tekemisessä hyvin ja olen erityisen ylpeä, että osasin tuoda ruotsinkielisten prosenttiosuudet omaksi dataksi. Jotain on siis jäänyt päähän edellisiltä kerroilta B). Lisäsin vielä punaisen viivan rajaamaan tutkimusaluetta, jotta alueen rajaus näkyisi selkeästi.  Onnistuin mielestäni myös värityksessä, koska käyttämäni värit eroavat toisistaan, joten yksittäisien värikoodien seuraaminen on helppoa. Halusin tällä kartalla erityisesti osoittaa alueet, missä selkeästi yli puolet asukkaista on ruotsinkielisiä. Luokittelun ansiosta punainen väri osoittaa kyseiset alueet. Karttaan olisi voinut vielä lisätä alueiden nimet, jotta tiedon pystyisi helpommin liittämään tiettyyn paikkaan.

Rasteriaineistojen käsittely

Tarkastelimme rasteriaineistoja ja lisäsimme korkeuskäyrät sekä rinnevarjostukset aineistoon. Mielenkiintoista, että QGIS-ohjelmassa pystyy tekemään myös tämänkaltaisia lisäyksiä aineistoon. Korkeuskäyriä tehdessä täytyy muistaa laittaa käyrien välit 5 m, jotta ne vastaavat aiemmin opittuja korkeuskäyriä. Rinnevarjostuksen tekemisessä täytyy huomioida, mistä valo tulee, jotta vuoret näyttävät vuorilta eikä kuopilta. Rinnevarjostuksista ja korkeuskäyristä en valitettavasti tajunnut ottaa kuvia.

Digitoin Pornaisten alueen päätiet ja asuinrakennukset (kuva 2). Hyvä, että QGIS-ohjelmassa pystyy myös tekemään digitointia, vaikka se ei olekaan yhtä kätevä ohjelma digitoimiseen, kuin esimerkiksi Coreldraw. Asuinrakennuksia oli paljon, mutta systemaattinen alueen selaaminen mahdollisti jokaisen asuinrakennuksen digitoimisen. Luulen, että tulemme tekemään seuraavalla kurssikerralla asuinrakennusten pistekartta-aineistosta ruutukartan, jossa tarkastellaan Pornaisten asuntojen tiheyttä.

Kiitos lukemisesta 🙂

Lähteet

Kontinen, H. Ruututeemakarttoja ja rasteriaineistoja. Geoinformatiikan menetelmät 1. 2024. https://blogs.helsinki.fi/hillakon/

Sanastokeskus. Geoinformatiikan sanasto. 2018. https://sanastokeskus.fi/tiedostot/pdf/GeoinformatiikanSanasto.pdf?file=pdf/GeoinformatiikanSanasto.pdf

Kolmannella kurssikerralla harjoittelimme tietokantaliitoksen tekemistä ja datan visualisointia QGIS-ohjelmassa. Opin, että Excel-tiedoston voi helposti muuttaa csv-muotoon ja, että csv-muotoista tiedostoa voidaan käyttää QGIS-ohjelmassa. Näin jälkikäteen ajatellen kurssikerralta jäi käteen tietokantaliitoksen tekeminen, csv-aineiston hyödyntäminen, datan visualisointi ja diagrammien tekeminen. Kurssikerralla kuitenkin hienosäädettiin todella paljon aineiston dataa enkä muista kaikkia välivaiheita. Kurssikerralla oli siis ehkä hieman liikaa asiaa ja toisto aineiston hienosäätämisestä jäi uupumaan. Mielestäni onnistuin kuitenkin hyvin karttojen tekemisessä opettajan ohjeiden avulla.

Afrikan konfliktien aiheuttajat

Tutkin Afrikan konfliktien sijaintia ja pohdin, miksi konflikteja tapahtuu tietyillä alueilla. Huomasin, että konflikteja tapahtuu paljon timanttikaivosten ja öljykenttien läheisyydessä (Kuva 1). Eniten konflikteja on etenkin timanttikaivosten läheisyydessä.  Voisin kuvitella, että yksi syy tälle on se, että timanttikaivosten turvallisuusjärjestelmät eivät ole yhtä kehittyneet, kuin öljykenttien turvajärjestelmät. Lisäksi timanttien myyminen ja käsittely on helppoa verrattuna öljyyn. Öljyä pitää käsitellä ja varastoida, joten sen hyödyntämiseen tarvitaan paljon investointeja. Timanttikaivosten läheisyydessä on siis mielestäni enemmän konflikteja, koska timanttikaivosten valtaaminen ja hyödyntäminen nähdään helpompana vaihtoehtona.

Mielenkiintoista, että Algerian yhden öljykentän läheisyydessä on tapahtunut hyvin paljon konflikteja (kuva 1). Algeria on yksi maailman suurimpia öljyntuottaja (Worldometer).  Uskon siis, että tuottavien öljykenttien läheisyydessä tapahtuu enemmän konflikteja, kuin tuottamattomien. Pyritään siis valtaamaan mahdollisimman tuottava laitos.

Kuva 1. Afrikan timanttikaivokset, öljykentät ja konfliktit.

Onnistuin mielestäni Afrikan kartan teossa hyvin. Olisin kuitenkin voinut sijoittaa legendassa konfliktit ylimmäiseksi, koska tarkastelen etenkin konfliktien sijaintia. Lisäksi huomasin muiden blogeja lueskellessa, että Säntti (2024) oli symboloinut timanttikaivoksia ja konflikteja niitä kuvaavilla symboleilla. Mielestäni symbolien käyttö auttoi hahmottamaan nopeammin, mitä tietoa kartalla halutaan tuoda esiin. Toisaalta symbolien käyttö voi hankaloittaa tarkkaa luettavuutta, koska ne ovat yleisesti isompia, kuin pisteet. Kuitenkin mielestäni symbolien käyttö soveltuu tähän tehtävään hyvin, koska tarkoitus ei ole esittää asioiden tarkkaa sijaintia, vaan tärkeintä on ymmärtää niiden suhde.

Tietokantoihin oli tallennettu myös muita tietoja Afrikasta. Tietojen perusteella oisi siis voinut tarkastella monia muitakin Afrikan ominaisuuksia. Esimerkiksi oltaisiin voitu verrata öljykenttien ja timanttikaivosten tuottavuusluokittelua konfliktien läheisyyteen tai vaikka internetin vuosittaisia käyttäjiä konfliktien määrään. Ensimmäisessä esimerkissä hypoteesinä voisi olla, että tuottavien timanttikaivosten ja öljykenttien läheisyydessä tapahtuu enemmän konflikteja, kuin tuottamattomien alueiden läheisyydessä. Toisessa esimerkissä voitaisiin olettaa, että mitä enemmän on internetin käyttäjiä, sitä vähemmän on konflikteja, koska internetin käyttö liitetään usein alueen vaurauteen ja hyväosaisuuteen. Vauraalla alueella voisi olla esimerkiksi paremmat turvatoimet timanttikaivoksien ja öljykenttien suojaamiseksi. On mielenkiintoista, miten montaa asiaa voidaan tutkia yksittäisten tietojen avulla.

Suomen tulvaindeksikartta ja järvisyys

Seuraavaksi teimme tulvaindeksikartan edellisessä tehtävässä oppimiemme asioiden avulla. Muistin suurinpiirtein, miten tietokantaliitos tehdään, mutta jouduin kysymään hieman apua opettajalta. Diagrammien tuominen kartalle tuotti aluksi haasteita, mutta saimme yhteistyössä kavereiden kanssa homman hoidettua. Nyt osaan tehdä tietokantaliitoksia, hyödyntää csv-tiedostoja ja lisätä karttaan diagrammeja QGIS:ssa.

Sain tehtyä Suomen tulvaindeksikartan, jossa alueen järvisyysprosentti on kuvattu ympyrädiagrammien avulla (kuva 2). Pohdin kartan avulla Suomen tulvaherkkyyttä. Kartasta huomataan, että tulvaindeksi on suurimmillaan rannikkoalueilla ja pienimmillään maan keski- ja itäosissa (kuva 2).

Meren läheisyys ja järvisyys ovat tärkeimmät tulvaindeksin selittäjät. Mielestäni rannikkoalueiden suurta tulvaherkkyyttä selittää meren läheisyys. Merenpinnan vaihtelu voi siis aiheuttaa tulvia. Lisäksi rannikkoalueiden tulvaherkkyyttä voi selittää myös, että siellä hyvin pieni järvisyys. Vesi ei siis pääse varastoitumaan järviin eikä näin ollen muodostu veden pintaa tasaavaa järjestelmää. Kun verrataan rannikkoalueiden järvisyyttä Keski-Suomen järvisyyteen, huomataan, että Keski-Suomen alueella järvisyysprosentti on suhteellisen suuri. Keski-Suomen alueella ei ole suurta tulvariskiä, joten oletan, että järvet toimivat vedenpinnan tasaajina.

Maankäyttö vaikuttaa tulvaisuuteen. Kartasta huomataan, että suurimman tulvaindeksin alueet sijaitsevat usein suurien kaupunkien alueilla (kuva 2). Kaupunkialueilla voi olla suurempi tulvaherkkyys, kuin maaseudulla, koska kaupungissa vesi ei pääse suodattumaan tehokkaasti maaperään asfaltti- ja betonipintojen takia. Jos siis viemäröinnissä on ongelmia, kaupungissa vesi tulvii hyvin nopeasti. Lisäksi kaupungeissa sataa enemmän, kuin maalla, koska kaupungeissa on enemmän saasteita, joiden pienhiukkaset muodostavat veden tiivistymiskeskuksia.

Onnistuin mielestäni tulvaindeksi- ja järvisyyskartan teossa hyvin. Olisin vielä voinut lisätä kartan, jossa näkyy pelkästään tulvaindeksit, jotta tulva-alueiden tarkastelu olisi helpompaa. Nyt kaikkia alueita ei näy kunnolla järvisyyttä kuvaavien ympyrädiagrammien takaa. Onnistuin kuitenkin mielestäni kartan värityksessä hyvin.

Kiitos lukemisesta 🙂

Lähteet

Säntti, H. Kolmas kurssikerta. HEIGGI´S BLOG. 2024. https://blogs.helsinki.fi/hksantti/

Worldometer. Algeria oil reserves, production and consumption statistics – (n.d.). https://www.worldometers.info/oil/algeria-oil/ 

Toisella kurssikerralla käsittelimme projektioiden eroja. Mielenkiintoista, miten eri karttaprojektioilla voidaan painottaa maapallon tiettyjä piirteitä ja näin ollen vaikuttaa ihmisen maailmankuvaan. Kurssikerran alussa harjoittelimme QGIS-ohjelman valintatyökalujen käyttöä. Tein myös paljon toistoja QGIS-ohjelmassa karttaprojektioiden visualisoimisesta, joten nyt osaan käsitellä erilaisia tietokantoja, luoda uusia ominaisuuksia sekä visualisoida ominaisuuden kartalla.

 

Mittausharjoitus

Tarkastelimme aluksi projektioiden eroavaisuuksia mittaamalla pituuksia ja pinta-aloja samoista pisteistä. Muodostin tuloksista taulukon, josta nähdään projektioiden pituuksien ja pinta-alojen eroavaisuuksia Suomen Lapin alueella (taulukko 1). TM35FIN projektio on Suomen virallinen tasokoordinaatistojärjestelmä, joka vääristää pituuksia ja pinta-aloja mahdollisimman vähän. TM35FIN projektiossa koko Suomi on kuvataan yhdellä projektiokaistalla ja mittakaavavirhe on suurin kartan reunoissa (Wikipedia, ETRS-TM35FIN). TM35FIN projektio on tarkin mallinnus Suomen kartasta, joten muita projektioita verrataan siihen.

Taulukosta nähdään, että TM35FIN, Robinsonin ja World Winkel projektioissa ei ole eroja pituuksissa eikä pinta-aloissa (taulukko 1). Winkelin ja Robinsonin projektiot kuvaavat siis maailmaa oikeapintaisena ja -pituisena. Cassinin projektio näyttää pituudet ja pinta-alat hieman suurempina, kuin ne oikeasti ovat. Taulukosta nähdään myös, että Mercatroin projektio vääristää pituuksia ja pinta-aloja todella paljon (taulukko 1). Yllätyin, että Mercatorin projektio vääristää pituutta lähes kolme kertaa suuremmaksi ja pinta-alaa yli kahdeksankertaiseksi. Mercatorin projektio siis vääristää pituutta ja pinta-alaa sitä enemmän, mitä kauempana päiväntasaajasta ollaan.

Mercatorin projektiota on käytetty aikaisemmin hyvin laajasti. Esimerkiksi itse olen oppinut näkemään maailma Mercatorin projektion perusteella. Luulen, että Mercatorin projektio on ollut laajassa käytössä pohjoisilla ja eteläisillä valtioilla, koska se antaa näistä valtioista suuremman kuvan, kuin mitä ne todellisuudessa ovat. Tämä luo valtiolle suuruuden tunnetta ja luo mahdollisesti pelotetta muille valtioille. Mielestäni Mercatorin projektion käyttö on kuitenkin opetuksessa haitallista, sillä se luo oppilaille vääränlaisen maailmankuvan. Onneksi nykyään on kehitetty ja alettu siirtymään maailmankarttoihin, jotka esittävät maapallon lähes oikeissa suhteissa. Esimerkiksi Robinsonin karttaprojektio on kompromissi, joka vääristää maapallon kaikkia ominaisuuksia vähän (Wikipedia, Robinsonin projektio). Robinsonin projektio tarjoaa siis lähes oikeanlaisen maailmankuvan, mutta sitä ei välttämättä voida hyödyntää tarkoissa mittauksissa.

Taulukko 1. Karttaprojektioiden pituuksien ja pinta-alojen eroja Lapin alueella.

 

Projektioiden erojen visualisointi

Seuraavaksi visualisoin karttaprojektioiden eroja Suomen kartalla. Vertailin Robinsonin, Mercatorin ja Cassinin projektioita ETRSTM35FIN projektioon. Opin kurssikerralla luomaan uuden ominaisuuden ja visualisoimaan sen QGIS-ohjelmassa useiden toistojen ansiosta. Onnistuin mielestäni luomaan hyvin visuaalisia karttoja, joissa pinta-alojen muutokset ovat selkeästi näkyvillä.

Kartan printtaaminen tuotti ongelmia QGIS:ssa. QGIS ei toiminut odotetulla ja loogisella tavalla, kun koitin printata kaikki kartat samaan printlayeriin. Vaikka kartan tason lukitsi printlayerissa, se silti muuttui, kun alkuperäisestä tiedostosta muutti toisen kartan näkyväksi. Päädyin siis tekemään jokaisen kartan omalle printlayerille. Toivon, että QGIS korjaisi ongelman ja mahdollistaisi useamman kartan tekemisen samalle prinlayerille.

Vertasin ensin Robinsonin projektiota ETRSTM35FIN projektioon (kuva 1).  Huomasin, että Robinsonin projektio vääristää pinta-aloja eniten pohjoiseen päin mentäessä. Robinsonin projektio on kuitenkin hyvin tasavertainen ja se vääristää suhteellisen vähän pinta-aloja. Seilailin muiden blogeja ja olen Veeran kanssa samaa mieltä siitä, että Robinsonin projektion pinta-alan vääristymät olisi voinut kuvata neutraalimmilla väreillä (Matikainen , 2024). Robinsonin projektiossa pinta-alojen erot ovat niin pienet, että värit olisivat voineet olla neutraalimmat. Esimerkiksi punaisesta väristä tulee mielikuva, että pinta-alojen erot ovat hyvin suuret.

Kuva 1. Robinsonin projektion pinta-alan suhde ETRSTM35FIN projektion pinta-alaan Suomessa.

Seuraavaksi vertasin Mercatorin projektiota ETRSTM35FIN projektioon (kuva  2). Huomasin, että Mercatorin projektio kasvattaa pinta-aloja sitä enemmän, mitä pohjoisemmaksi mennään. Mercatorin projekti vääristää pinta-aloja hyvin paljon. Esimerkiksi Lapin alueella pinta-alat näkyvät Mercatorin projektiossa yli 8 kertaisina. Nyt ymmärrän paremmin, miksi Mercatorin projektio voi luoda ihmiselle vääränlaisen maailmankuvan.

Cassinin projektio on hyvin mielenkiintoinen, koska sen muoto eroaa selvästi yleisimmistä projektioista. Cassinin projektio on projisoitu pohjois- ja etelänavan mukaan, joten pinta-alat alkavat kasvaa sitä enemmän, mitä kauempana ollaan napa-alueesta.  Kartasta huomataan, että Cassinin projektiossa Suomen pinta-alat kasvavat luoteesta kaakkoon (kuva 3). Kartasta huomataan myös, että Cassinin projektion pinta-alojen muutokset ovat Suomessa hyvin pienet (kuva 3). Cassinin projektio kasvattaa Kaakkois-Suomessa pinta-aloja enintään vain 1,03 kertaiseksi. Myös tässä kartassa olisi voinut käyttää neutraalimpia värejä, koska pinta-alojen erot ovat hyvin pienet. Pinta-alojen vääristymät ovat Suomessa hyvin vähäiset Cassinin projektiossa, koska Suomi sijaitsee pojoisnavan läheisyydessä. Pohjoisnavan läheisyydessä Cassinin projektio siis vääristää vähiten pinta-aloja.

Kiitos lukemisesta 🙂

Lähteet

Matikainen, V. Toinen kurssikerta. 2024. Veeran Gis-blogi. https://blogs.helsinki.fi/veematik/

Wikipedia. ETRS-TM35FIN. Muokattu viimeksi 31.7.2022. https://fi.wikipedia.org/wiki/ETRS-TM35FIN

Wikipedia. Robinsonin projektio. Muokattu viimeksi 26.10.2022. https://fi.wikipedia.org/wiki/Robinsonin_projektio

 

Welcome to Blogipalvelut. This is your first post. Edit or delete it, then start blogging!