Posts

Posted on

Viikko 7. Dinosauruksia etsimässä

Datan kaivaminen

Aloitin itsenäisen työn suunnittelun jo kuudennen kurssiviikon lopulla. Minulla on ideana luoda kartta, jossa näkyisi eri dinosaurusten kaivauspaikkojen sijainti maapallolla, ja jakaa dataa joko taksonomian taikka kaivausvuosien mukaan. Lähdin etsimään dataa The Paleobiology Database sivustolta. Pyöriteltyäni tunnin ajan sivustoa ja eri datan lataamismuotoja löysin tarvitsemani. Suunnitelmani oli rajata dataa käsittelemään Mesotsooisena kautena eläineitä lajeja. Päätin lopulta jakaa datan Linnunlantioisiin (Ornithichia) ja Liskonlantioisiin (Saurichia), sekä trias-, jura- ja liitukauden karttoihin. En valitettavasti onnistunut löytämään helposti käsiteltävää dataa, jossa näkyisi jokaisen kaivauksen kaivausvuosi.

Ladattuani datan siistin sen Excelissä ja varmistin, että se toimii QGIS-ohjelmassa. Muokatessa dataa huomasin, että se sisälsi jonkin verran pisteitä joihin ei oltu merkattu koordinaatteja. Kohtaan ilmestyi viesti “coordinates not computable using this model”. En tiedä miksi näin tapahtui, mutta epäilen sen johtuvan tiedon jakamiseen liittyvistä rajoituksista. Sivustolla kerrotaan, että osa datasta on vain tutkijoiden ja yliopistojen käytettävänä.

Tämän jälkeen aloin etsiä aineistoja taustakarttaa varten. Halusin yksinkertaistetun ja siistin kartan. Lisäksi kriteereinä oli saada siihen merkittävät sisämaavesistöt, suuret vuoristot, sekä valtioiden rajat, koska kaikki kolme tekijää vaikuttaa merkittävästi fossiilien löytymiseen. Natural Earth sivustolta löysin itselleni mantereet, meret ja merkittävät sisävedet. Valtioiden rajat, sekä litosfäärilaattojen rajat sain Viikko 6 työhön lataamastani tiedostopaketista. Sivustolta Mountain Research Initiative sain ladattua maailman vuoristot kattavan tiedoston.

Viimeinen kerta

Seitsemäntenä keskiviikko-aamuna kaivoin esiin edellisellä viikolla etsimät datat ja ryhdyin tekemään kurssin viimeisiä karttoja. Löytämäni datan määrä oli huomattavan suuri, joten vähentääkseni projektin kokoa, tein meret luomalla sinisen polygonin karttatasojen taakse, sen sijaan, että olisin ladannut tasot netistä. Kokeilin myös järvien ja jokien lataamista karttatasoon, mutta totesin, että ne tekevät maailmankartoista turhan sekalaisen näköisen.

 

Kuva 1. Triaskauden aikaisten linnun- ja liskonlantioisten fossiilien kaivauspaikat. (The Paleobiology Database)
Kuva 2. Jurakauden aikaisten linnun- ja liskonlantioisten fossiilien kaivauspaikat. (The Paleobiology Database)

Itse karttojen tuottaminen ja datan lataaminen oli suhteellisen helppoa. Eniten aikaa minulla kului värien säätämiseen, sekä kaivauspaikkojen tehokkaaseen ja realistiseen esittämiseen. Päädyin kuvissa 1-7 käyttämään miltei musta-valkoista pohjakartta estetiikkaa, joka tekee kartoista selkeitä ja tyyliteltyjä. Suurin ongelmani oli linnun- ja liskonlantioisten lajien esittäminen kartalla. Jos kartat tulisivat johonkin oikeaan esitelmään, työhön taikka tutkimukseen esittäisin kaivauspaikat erillisillä kartoilla. Monesta kaivauspaikasta on löytynyt sekä linnun- että liskonlantioisia fossiileja. Myös maailmankartalla esitetyt kaivauspaikat ryhmittyvät selkeästi tietyille alueille.

 

Kuva 3. Pohjois-Amerikasta löytyneiden liitukauden aikaisten linnun- ja liskonlantioisten fossiilien kaivauspaikat. (The Paleobiology Database)
Kuva 4. Etelä-Amerikasta löytyneiden liitukauden aikaisten linnun- ja liskonlantioisten fossiilien kaivauspaikat. (The Paleobiology Database)

Koitin ratkaista tätä ongelmaa kahdella tekniikalla. 1. Valitsin väreiksi sinisen ja keltaisen ja asetin kummankin värin läpikuultavaksi, jolloin jos samasta kaivauspaikasta on löytynyt linnun- ja liskonlantioisten fossiileja näkyisi pallo vihreällä. 2. Liitukauden datan kohdalla, joka oli trias- ja jurakauteen verrattaessa massiivinen, jaoin kartat mantereisiin ja pallonpuoliskoihin, jolloin kaivauspaikat erottuisivat hieman paremmin.

Kuva 5. Afrikasta  löytyneiden liitukauden aikaisten linnun- ja liskonlantioisten fossiilien kaivauspaikat. (The Paleobiology Database)
Kuva 6.  Keski-Euroopasta löytyneiden liitukauden aikaisten linnun- ja liskonlantioisten fossiilien kaivauspaikat. (The Paleobiology Database)
Kuva 7. Itäiseltä-pallonpuoliskolta löytyneiden liitukauden aikaisten linnun- ja liskonlantioisten fossiilien kaivauspaikat. (The Paleobiology Database)

 

Väreillä leikkiminen ja kuvattavien alueiden pienentäminen ei kuitenkaan estänyt datan katoamista, ja koenkin, että kartat edustavat heikosti kaivauspaikkojen ja tietyn tyyppisten löydösten määrää. Ne antavat yleiskuvan kaivauspaikkojen jakaantumisesta globaalista, ja niissä näkyy ettei linnun- ja liskonlantioisten taksonomian maantieteellisellä esiintymisellä ole suuria poikkeavuuksia. Kartoissa korostuu myös mielestäni hyvin vuoristojen merkitys kaivauspaikoissa.

 

Kuva 8. Mesotsooisen maailmankauden aikaiset linnunlantioisten fossiilien kaivauspaikat. (The Paleobiology Database)
Kuva 9. Mesotsooisen maailmankauden aikaiset liskonlantioisten fossiilien kaivauspaikat. (The Paleobiology Database)

Kuvissa 8 ja 9 halusin testata vielä erilaista väriteemaa. Nämä kartat kuvaavat mielestäni hyvin kuinka samanlaiset fossiilien löytöpaikat ovat, sekä kuinka paljon enemmän on löydetty liskonlantioisten taksonomiaan kuuluvien lajien fossiileja.

Kaiken kaikkiaan viimeinen kurssikerta oli erittäin hauska. Nautin suuresti siitä, että sain etsiä itse dataa ja kamppailla sen kanssa. Valitsemani teema oli itselleni erittäin mielenkiintoinen vaikka toteutetut kartat olivat hieman kyseenalaisia, ja tämän kerran töissä korostuu ehdottomasti sanonta “määrä korvaa laadun”. Jos minun tulisi tehdä tehtävä uudestaan koittaisin jakaa aineistoja maan mukaan jolloin sen esittäminen olisi selkeämpää. Tämä ei kuitenkaan onnistunut tämän kertaisella datalla, koska ne eivät jakaneet yhtenäisiä maatunnuksia.  Myös yksittäisten löydösten määrän ilmoittaminen kartoissa on asia jonka ehdottomasti lisäisin karttoihin.

Viimeisiä töitä ja sanoja

Muiden kurssiblogeja lukiessani on ihana huomata myös toisten mielenkiinnon kohteita ja kiinnostusten aiheita esitettynä karttoina. Erityisesti mieleeni jäi Eeva Rakin blogissa Kurssikerta 7: Lopputaistelu, Oppimassa Geoinformatiikkaa (2022), julkaistu GIF animaatio, joka esittää Väli-Amerikan metsäkatoa vuosien 1990-2020 välillä.  Salla Kärkkäinen kiteyttää blogijulkaisussaan Viikko 7: Grändi Finaale, Sallan kurssiblogi (2022) loistavasti myös omat tunnelmani tämän viikkoisesta kurssikerrasta;

“Lopputuloksena on oikeastaan aika tylsän näköinen kartta, jonka tekeminen oli kuitenkin mukavaa ja opettavaista.”

Itse nautin suuresti koko kurssista, sen harjoitteista, myöhään venyneistä päivistä ja turhautumisen sekä oivaltamisen hetkistä. Koen, että olen oppinut todella paljon näiden viikkojen lomassa ja odotan innolla tulevia geoinformatiikka-kursseja. Kiitoksia Arttu, ja erityisesti kiitoksia kaikki kurssitoverit, jotka auttoivat selviämään tästä kokemuksesta.

Lähteet:

Kärkkäinen S. (2022), Viikko 7: Grändi Finaale, Sallan kurssiblogi, (viitattu 4.3.2022), saatavilla: https://blogs.helsinki.fi/karkkais/

Mountain Research Initiative, mountainresearchinitiative.org, (viitattu 25.2.2022), saatavilla: https://www.mountainresearchinitiative.org/resources-opportunities/datasets

Natural Earth, naturalearth.org, (viitattu 25.2.2022), saatavilla: https://www.naturalearthdata.com/

Raki E. (2022), Kurssikerta 7: Lopputaistelu, Oppimassa Geoinformattiikka, (viitattu 4.3.2022), saatavilla: https://blogs.helsinki.fi/eevaraki/

The Paleobiology Database, paleobiodb.org, (viitattu 25.2.2022), saatavilla: https://paleobiodb.org/#/

Posted on

Viikko 6. Luontoretki ja opettamisen opettelua

Talvinen retkipäivä

Keskiviikkoaamun tunti alkoi luennolla kaupunkisuunnittelusta/arkkitehtuurista, jossa korostui Jan Gehlin “Viisi sääntöä kaupunkisuunniteluun”. Tämän jälkeen latasimme sovelluksen EpiCollect5 ja suuntasimme kirpeän pakkasen täyttämään talviaamuun. 45 minuutin ajan kuljeksimme ympäri Arabian rantaa ja keräsimme datapisteitä, joiden viihtyvyyttä ja turvallisuutta arvioimme sovelluksessa.

Palattuamme luontoretkeltämme,  tarkastelimme sovelluksen avulla kaikkia kerättyjä datapisteitä, sekä miten EpiCollect5 pystyy visualisoimaan niitä. Tämän jälkeen latasimme kerätyn datan ja QGISissä koitimme interpoloida aineistoa, jotta siitä selviäisi mitkä alueet koetaan turvalliseksi ja mitkä ei (kuva 1). Interpolointi oli mielestäni helppoa ja lopputuloksena syntynyt kuva on visuaalisesti selkeä ja mielenkiintoinen tulkita.

Eeva Raki huomauttaa kuitenkin hyvin blogijulkaisussaan Kurssikerta 6: Reippailua, Oppimassa Geoinformatiikkaa (2022), että interpoloinnin seurauksena karttaan muodostuu turvallisen näköisiä alueita vaikka kukaan ei ole käynyt kyseisessä kohtaa. Ali Ylikoski taas kiinnittää huomiota omassa julkaisussaan Kurssikerta 6: Sään ääri-ilmiöitä ja maanjäristyksiä, Alin Geoinformatiikkablogi (2022), että sovelluksen paikannus on todella epätarkka (heittoa jopa 20 metriä). EpiCollect5  on oman kokemukseni pohjalta loistava työkalu opetuksen tukena esimerkiksi lukion maantieteessä ja biologiassa, mutta tieteellisen työn tekemiseen turhan epätarkka.

Kuva 1. Interpoloitu kartta, joka kuvastaa turvallisuuden tunnetta eri alueilla Kumpulan lähellä. Mitä tummempi väri, sitä suurempi turvattomuuden tunne (asteikko 1-5).

Opettajan saappaisiin

Päivän todelliset itsenäisesti suoritettavat tehtävät liittyivät luonnonkatastrofi dataan ja niiden esittäminen sellaisessa muodossa, että se sopisivat opetustarkoitukseen. Itse päätin toteuttaa sarjan maanjäristyksiä kuvaavia karttoja (kuva 2, kuva 3), sekä tulivuorien sijaintia kuvaavan kartan (kuva 4). Aikaväliksi valitsin 1950-2012. Jälkikäteen tarkasteltuna pienempikin aineisto olisi ollut tarpeeksi havainnollistava, mutta suuren aineiston lataaminen NCEDC.org sivuilta osoittautui erittäin hyödylliseksi oppimiskokemukseksi, kun dataa tuli muokata Excelissä monen vaiheen kautta. Näin jälkikäteen, liittäisin myös maanjäristyskarttoihin (kuva 2, kuva 3) valtioiden rajat.

Kuva 2. 2.5-5.0 magnitudin maanjäristyksien sijainti suhteessa litosfäärilaattojen rajoihin, 1950-2012. (NCEDC, 2014)
Kuva 3. 6.0-9.0 magnitudin maanjäristyksien sijainti suhteessa litosfäärilaattojen rajoihin, 1950-2012. (NCEDC, 2014)
Kuva 4.Maapallon tulivuorien sijainti suhteessa litosfäärilaattoihin. (NODC.NOAA, 2020)

Mielestäni tuotetut kartat ovat selkeitä, hyvin keskenään vertailtavia ja helposti tulkittavia. Erityisesti keskenään verrattavissa olevat karta ovat hyödyllisiä koulutuksessa, koska pelkän esimerkin lisäksi ne voivat olla osa tehtävää. Esimerkiksi oppilaiden tulisi vertailla kolmea karttaa keskenään ja pohtia mitä eroa eri maanjäristyskarttojen (kuva 2, kuva 3) välillä on? Mitä se kertoo maanjäristyksien esiintyvyydestä? Jos vertaillaan maanjäristyskarttoja ja tulivuorikarttaa (kuva 4) mitä voidaan päätellä tulivuorien esiintyvyydestä? Miksi jotkin tulivuoret eivät sijaitse litosfäärilaattojen raja-alueilla?

Karttojen vertailun lisäksi ne voi yhdistää. Näin on tehty Topias Vanhatalon blogijulkaisussa Kuudetta kertaa, TKV MAA-202 BLOGI (2022). Vanhatalon blogissa kuvan 2 kartalle on piirretty interpoloimalla kaikki 1.1.2020 jälkeen tapahtuneet yli 6.5 magnitudin maanjäristykset, sekä tulivuoret. Kartalta on havaittavissa, että lähes kaikki suurimmat maanjäristykset ovat tapahtuneet tulivuorten lähes välittömässä läheisyydessä.

Kuva 5. Topias Vanhatalon blogista, karttaan interpoloitu >6.5 magnitudin maanjäristykset ja tulivuoret 1.1.2020 eteenpäin. (Vanhatalo A. 2022)

Edellä esitetyt kartat voivat olla tukeva kun opetuksessa käsitellään alueiden luonnonriskejä, esimerkiksi mitä riskejä tulivuoririkkaisiin alueisiin liittyy? Miten tulivuoret ovat vaikuttaneet alueen ympäristöön? Oppilaiden tulisi selvittää miten maanjäristysrikkaat maat ovat varautuneet maanjäristyksiin. He voisivat tulkita miten tsunamien esiintyvyys (kuva 5) korreloi maanjäristys ja tulivuorikarttojen kanssa.

Kuva 6. Tsunamikartta, joka kuvaa 1965 tsunamigeenistä tapahtumaa 2 000 eaa – 2009. Ympyröiden koko kuvaa tapahtuman magnitudia (seismisyydestä syntyneiden tsunamien kohdalla), väri edustaa tsunamin intensiteettiä Soloviev-Imamura asteikolla. (Gusiakov K., 2009)

 

Jos asiaa lähestytään ihmismaantieteen kannalta oppilaat voisivat selvittää, miten luonnonkatastrofeihin liittyvät kuolemat ja valtioiden varallisuus liittyvät toisiinsa. Tukenaan tulkinnassa he voisivat käyttää kuvan 6 ja 7 diagrammeja, ja koittaa etsiä kyseisistä teemoista uusinta dataa.

 

Kuva 6. Maat joissa eniten maanjäristyksen aiheuttamia kuolemia 1900-2016. (Statista Research Department, 2016)
Kuva 7. Maakohtaiset vakuutus premiumit / asukas, 2006. (Linnerooth-Bayer, J., Warner, K., Bals, C., 2009)

Tämän viikon tehtävät olivat minulle henkilökohtaisesti erityisen mielenkiintoisia, koska suunnitelmanani on hakeutua opettajakoulutukseen. Nykypäivänä opettajilla on lähes rajattomat mahdollisuudet soveltaa opettamista, hyödyntää käytössä olevaa dataa, sekä ilmaisia sovelluksia, jotta oppimisesta tulisi oppilaille interaktiivista ja kiinnostavaa. Tällainen oppiminen myös valmistaa heitä hyvin tulevaisuuden töitä varten, jossa asioita ei vain lueta kirjasta ja vastata koe kysymyksiin.

Lähteet:

Gusiakov K. (2009), Visualization of the NTL/ICMMG global historical tsunami catalog. 1965 tsunamigenic events with identified sources are shown for the period from 2000 BC to present time, [kartta], viitattu 24.2.2022, ReasearchGate.net, saatavilla: https://www.researchgate.net/figure/Visualization-of-the-NTL-ICMMG-global-historical-tsunami-catalog-1965-tsunamigenic_fig1_228802551

Linnerooth-Bayer, J., Warner, K., Bals, C. (2009), Global distribution of insurance premiums per capita., [kuva], viitattu 24.2.2022, saatavilla: https://link.springer.com/article/10.1057/gpp.2009.15/figures/1

NCEDC (2014), Northern California Earthquake Data Center. UC Berkeley Seismological Laboratory. Dataset. doi:10.7932/NCEDC, (viitattu: 24.2.2022), saatavilla: https://ncedc.org/anss/catalog-search.html

NODC.NOAA (2020), National Centers for Environmental Information, U.S. Department of Commerce, (viitattu 24.2.2022), saatavilla: https://data.nodc.noaa.gov/cgi-bin/iso?id=gov.noaa.ngdc.mgg.hazards:G02135

Raki E. (2022), Kurssikerta 6: Reippailua, Oppimassa Geoinformatiikkaa, (viitattu 24.2.2022), saatavilla: https://blogs.helsinki.fi/eevaraki/

Statista Research Department (2016), Countries with the most earthquake fatalities 1900-2016, [kuva], viitattu 24.2.2022, saatavilla: https://www.statista.com/statistics/269649/earthquake-deaths-by-country/

Vanhatalo T. (2022), Kuudetta kertaa, TKV MAA-202 BLOGI, (viitattu 24.2.2022), saatavilla: https://blogs.helsinki.fi/topiasva/

Ylikoski A. (2022), Kurssikerta 6: Sään ääri-ilmiöitä ja maanjäristyksiä, Alin Geoinformatiikkablogi, (viitattu 24.2.2022), saatavilla: https://blogs.helsinki.fi/alingeoinformatiikka/

Posted on

Viikko 5. Epätoivon buffereita

Toivokas alku

Viikon tunti alkoi suuresta jännityksestä huolimatta hyvin ja kaikki viime viikon aineistot olivat tallessa ja kunnossa. Ensimmäinen osa tunnista käsitteli uusien QGIS työkalujen käyttöä, jotka tällä kertaa keskittyivät aineiston leikkaamiseen ja rajaamiseen, kuten clip-työkalu.

Tämän jälkeen siirryimme bufferointiin (kuva 1), joka oli erittäin mielenkiintoista erityisesti oikean elämän kannalta. Buffereita käytetään kartoittamaan esimerkiksi peltojen ja autoteiden suojavyöhykkeitä, sekä mallintamaan haitallisten aineiden leviämistä, taikka kartoittamaan meluvyöhykkeillä asuvia henkilöitä (kuva 2).  Buffereita pystyy käyttämään monipuolisesti niiden soveltuessa erityisesti alueiden kartoittamiseen. Esimerkiksi alueiden tulvariskissä voidaan käyttää buffereita, kun määritellään mitkä rakennukset joutuvan veden varaan suuren joen tulviessa. Tällaiset turvavyöhykkeet ovat usein myös laissa ja säädöksissä määrätty, esimerkkinä Helsingin seudun ympäristöpalvelut -kuntayhtymän (HSY) 2015 julkaisemassa Ilmansaasteiden terveysriskit teiden ja katujen varsilla artikkelissa lukee:

“PRC (Public Resources Code) edellyttää, että on tehtävä arvio haitallisten saasteiden päästölähteistä 400 metrin säteellä julkisesta koulusta. Californian Senate Bill 352 puolestaan edellyttää riskinarvioinnin laatimista kouluille, jotka sijaitsevat
alle 150 metrin etäisyydellä vilkasliikenteisestä väylästä.”

Edellä mainittujen koulujen määrittäminen käy helposti oikean aineiston ja bufferi työkalun avulla. Bufferissa tulee kuitenkin ottaa huomioon kuinka se voimakkaasti yleistää asioita. Esim. ydinvoimalan ympärille voidaan määrittää saastumisbufferi onnettomuuden sattumisen varalta. Ympyrän muotoinen, tasainen bufferi ei ota kuitenkaan huomioon tekijöitä, kuten esimerkiksi tuulen, joka vaikuttaa voimakkaasti säteilyn leviämiseen. Sama koskee myös meluhaittoja joihin vaikuttaa esim. puusto.

Kuva 1. Pornaisten kartta, johon merkattu pääteiden ympärille bufferi vyöhykkeet.

Huolestuttava keskimatka

Pornaisista päästiin siirtymään hieman lähemmäksi kotia, kun aloitimme Malmin lentokentän meluvyöhykkeiden analysoimisen ja määrittämisen. Helsinki-Vantaan ja Malmin lentokentän erottaminen toisistaan osoittautui harvinaisen vaikeaksi, ja päädyin tekemään kummankin tehtävän Helsinki-Vantaa lentokentälle.

Kuva 2. Helsinki-Vantaan lentokentän meluvyöhykkeellä asuvat. 

Ensimmäisten meluvyöhykkeiden jälkeen siirryimme tehtävään 2, joka kohdallani keskittyi myös Helsinki-Vantaan alueelle. dB vyöhykkeiden (kuva 3) määrittäminen meluvyöhykkeestä onnistui sattuman ja pyhän hengen saattamana. Joku voisi väittää, että QGIS:n lukemisesta on tullut helpompaa ja omia taitoja osaa soveltaa sujuvammin sovellusta käytettäessä. Tämä pieni itsevarmuuden jyvänen karisi kuitenkin nopeasti pois seuraaviin tehtäviin siirryttäessä.

Kuva 3. Tehtävän kaksi meluvyöhykkeitä.

Vastaukset tehtävään 2:

  • 0,16 % (n 19) 2 km meluvyöhykkeellä asuvista henkilöistä asuvat 65 dB meluvyöhykkeellä, eli pahimmalla mahdollisella meluvyöhykkeellä.
  • 5,63 % (n 655) 2 km meluvyöhykkeellä asuvista henkilöistä asuvat vähintään 55 dB meluvyöhykkeellä.
Kuva 4. Tilapäisen kiitoradan 60 dB meluvyöhykkeellä asuvat.

Tikkurila tehtävän (kuva 4) tehtävän anto oli monella tapaa tulkittava, joka aiheutti hämmennystä. Uskon kuitenkin, että tehtävien päätarkoituksena on enemmänkin vain toimintojen toistaminen eikä niinkään itse oikean vyöhykkeen määrittäminen. Tämä korostuu Asema ja Taajama tehtävissäkin, joissa toistimme samoja toimintoja ja käytimme täysin samoja työkaluja.

Vastaukset Asemat-tehtävään:

  • Kuinka monta asukasta asuu kartan alueella alle 500 m päässä lähimmästä juna-, tai metroasemasta?  – 106 182 henkilöä
  • Kuinka monta prosenttia kaikista alueen asukkaista asuu alle 500 m päässä asemasta? – 20,78%
  • Kuinka monta prosenttia a-kohdan ihmisistä oli työikäisiä (15-64v)?          –66,83 %
Kuva 5. Asemien ympärillä on 500 m bufferivyöhykkeet, violetilla pisteillä siellä asuvat henkilöt.

Vastaukset Taajamat-tehtävään:

  • Laske/selvitä kuinka monta prosenttia tämän tehtävän alueen asukkaista asuu taajamissa?- 96,29% 
  • Kuinka monta kouluikäistä asuu taajamien ulkopuolella? –2 585 henkilöä
  • Kuinka monta prosenttia luku on kaikista kouluikäisistä? –3,72 %

Toivoton loppu

Itsenäiseksi tehtäväksi valitsimme ystävieni kanssa uima-allas tehtävän (kuva 6), joka osoittautui kohtalokkaaksi. Tehtävän ohjeet olivat suppeat ja se selvästi odotti meiltä parempaa QGIS osaamista kuin mihin me olimme valmiit. Jumitimme eniten kohdassa, jossa meidän tuli laskea taulukosta saman alueen arvoja yhteen.  Palasimme tutkimaan viikko 3 Afrikka kartan teko-ohjeita, josta löytyi paljon apua, mutta ne kaatuivat yksinkertaiseen pieneen ongelmaa. Ongelmaan löytyi 3 tunnin kuluttua ratkaisu asetuksien syövereistä tuutorin avittamana. Turhautuminen oli läsnä, varsinkin kun kyseessä oli ongelma johon ei vain voinut päätellä vastausta tai vahingossa löytää sitä.

Kuva 6. Helsingin kaupunginosien uima-altaiden absoluuttinen määrä.

Vastaukset Uima-allas ja sauna-tehtävään:

  • Kuinka monta uima-altaalla varustettua rakennusta löytyy pääkaupunkiseudulta?  – 855 rakennusta
  • Kuinka paljon asuu asukkaita sellaisissa taloissa, joissa on uima-allas?               – – – 12 170 asukasta
  • Kuinka moni noista taloista on omakotitaloja, kerrostaloja tai rivitaloja?              – – 345 omakotitaloa, 158 paritaloa, 113 rivitaloa, 181 kerrostaloa
  • Mikä on kaikkein uima-allasrikkain osa-alue? – Lauttasaari
  • Kuinka monessa talossa on sauna ja kuinka monta prosenttia se on kaikista asutuista taloista pääkaupunkiseudulla? – 21 922 saunaa, joka on 24,16 % kaikista pääkaupunkiseudun asutuista taloista.

Viimeisiä mietteitä

Vaikka QGIS monesti tuntuu toivottamalta, enkä usko, että saan mitään aikaiseksi ilman kunnollisia ohjeita, ovat jotkin toiminnot jääneet kummittelemaan takaraivoon. Työkaluista parhaiten muistissa ovat grafiikoiden luonti, clip- ja join-toiminnot, bufferi, sekä muut “post-it”-lappu valinta toiminnot. Nämä ovat hyödyllisiä kun haluaa muokata ja yhdistellä QGISiin tuotua dataa tai tehdä siihen buffereita. Vaikeampia käyttää ja soveltaa ovat työkalut, jotka pitää etsiä processing toolboksista, sen sijaan, että muistaisi missä ne ovat yläpalkeissa taikka tunnistaisi ne kuvakkeen perusteella. Niiden kohdalla tulee usein sekaannuksia, eikä täysin muista mitä työkalulla sai aikaan.

Pystyn kuitenkin samaistumaan Eeva Rakiin (2022) tämän blogitekstissään Kurssikerta 5: Toistoja, Oppimassa Geoinformatiikkaa:

“Palikat alkavat naksahdella paikalleen ja toiminnot alkavat käydä järkeen. Jatkuvan toiston seurauksena asiat alkavat (ehkä) jäädä mieleen. Osaan avata aineistoja melko vaivattomasti ja tulkita attribuuttitaulukkoa.”

Suurin haaveeni QGIS suhteen on se, että pystyisin tunnistamaan ongelman ja tietäisin mistä siihen voisi etsiä ratkaisua. Esim. uima-allas tehtävässä me tunnistimme ettei aggregate-työkalu toiminut niin kuin aikaisemmin, joten vika oli selvästi aineistossa. Emme kuitenkaan osanneet päätellä, että ongelman voisi ratkaista QGISin asetuksista. Oma heikko osaamiseni QGIS-ohjelmasta, sekä ohjelman oma laajuus, jota on erittäin vaikea hahmottaa, tekevät sillä työskentelyn vielä tässä vaiheessa todella raskaan ja haastavan.

Lähteet:

Raki E. (2022), Kurssikerta 5: Toistoja, Oppimassa Geoinformatikkaa, (luettu 17.2.2022), saatavilla: https://blogs.helsinki.fi/eevaraki/

Helsingin seudun ympäristöpalvelut -kuntayhtymän (HSY) (2015), Ilmansaasteiden terveysriskit teiden ja katujen varsilla, HSY.fi, Edita Prima Oy, (luettu 17.2.2022), saatavilla: https://www.hsy.fi/globalassets/ilmanlaatu-ja-ilmasto/tiedostot/2_2015_ilmansaasteiden_terveysriskit_teiden_ja_katujen_varsilla.pdf

Posted on

Viikko 4. Ruutuja ja PTSD oireita

Oman elämänsä Indiana Jones 

Aamun alkaessa käyntiin tehokkaasti Moodlen huoltokatkolla, seurasimme luentoa piste- ja ruutuaineistoista. Pisteaineistoja voidaan kerätä miltein mistä vain ilmiöstä, ja se on tarkimpia paikkatietoaineistoja. Laserkeilaus-aineisto on kaikkein tarkin pisteaineisto.  Laserkeilauksen hyödyt arkeologiassa ja kertomukset Amazonin viidakon skannaamisesta herättivät sisäisen Indiana Jonesini, sytyttäen mielenkiinnon tutkia ja perehtyä aineistoihin, ja kiehtoi mielenkiintoa mihin muuhun laserkeilaus pystyy ja mitä muuta sillä voidaan vielä löytää. Ruutuaineistot ovat tehokas tapa kerätä alueellista tietoa ilman valmista aluejakoa, mutta vaatii yleensä paksua lompakkoa. Ne pohjautuvat usein pisteinä tallennettuun aineistoon.

Helsinki täynnä lapsia

Viikon ensimmäinen tehtävä käsitteli jälleen kerran QGIS käyttämistä ja ruudukkojen luomista, aineiston muokkaamista ja sen jakamista ruudukoihin. Ohjeiden seuraaminen oli helppoa, mutta oman kartan tuottaminen tunnin jälkeen osallistui vaikeammaksi. Syynä jälleen QGIS:n monimuotoisuus ja monimutkaisuus, jossa vaihtoehtoja on enemmän kuin runsaasti. Tein kartan (kuva 1), joka kuvastaa pääkaupunkiseudulla asuvien lapsien (0-10 v.) %-osuutta alueen väestöön, kun alue on jaettu kilometri kertaa kilometri kokoisiin ruudukoihin. Kartalla näkyvät  vain ne ruudut joissa on asukkaita, eivätkä ne oli vertailukelpoisia muiden kurssilaisten karttojen kanssa johtuen manuaalisesti piirretyistä ruudukoista, kuten Roosa Kotilainen (2022) huomauttaa blogi-julkaisussaan Viikko 4: Ruutuaineistoihin perehtymistä, Roosan blogi.

 

Kuva 1. Lapsien (0-10 v.) %-osuus alueen väestöstä rasteriteemakarttana.

Lapsien osuutta voidaan pitää indikaattorina lapsiperheiden osuudelle. Hypoteesini osottautui oikeaksi, lapsiperheet sijoittuvat pääasiassa pääkaupunkiseudun laitamille, keskustan ja Luukin alueen Espoossa ollen pienemmän lasten %-osuuden alueita. Luukin alueella sijaitsee useita golf-kenttiä, laajat ulkoilualueet, sekä suuri kartanotila, joka selittää asutuksen vähyyden. Keskustan lapsiperhe vähyys selittyy mm. asumisen kustannusten suuruudella. Tämä trendi vaikuttaa kuitenkin olevan kääntymässä. Petja Partanen (2017) kirjoittaa TEK.fi artikkelissa Keskustat vetävät keskiluokkaisia lapsiperheitä, että:

 “Lapsiperheet jäävät keskustaan samasta syystä kuin he sinne ovat aikanaan ennen lapsia päätyneet asumaan: palveluiden läheisyyden ja hyvien liikenneyhteyksien vuoksi.”

-Petja Partanen

Mielenkiintoinen elementti on kartan (kuva 1) kaakossa oleva saari, joka kuuluu korkeimman luokan (25,5-40,0 %) alueeseen. Kyseessä on Santahaminan varuskunta-alue, jossa sijaitsee päiväkoti ja ala-aste varuskunnan henkilökunnan ja pääesikunnan perheiden lapsille.

Kartta on mielestäni hyvän näköinen. Se on helppolukuinen, värit sointuvat hyvin yhteen ja legenda on selkeä. Ainoat itseäni esteettisesti häiritsevät asiat ovat meressä näkyvät kuntarajat. Myöskin PK-seutua halkovat joet olisivat voineet olla kokonaan sinisiä, koska nyt mustien rajojen takia ne muistuttavat kuntarajoja. Lukija ei tarvitse paljoa taustatietoa kartan tulkintaan.

Suurin ongelmani ruututeemakartan kanssa on sen yleistävyyden määrä. Ruututeemakartta halkoo väkivaltaisesti alueen nätteihin ruutuihin ottamatta huomioon asuinalueiden sijaintia tai asutusten keskittymiä. Se vääristää ja pelkistää mielestäni liikaa aineistoa, kun yksittäinen asuinalue voi pahimmassa tapauksessa jakautua 4 eri osaan.

Jos minun pitäisi sama aineisto esittää jollain muulla tekniikalla valitsisin koropleettikartan, joissa luokkina toimisi kaupunginosat. Toinen toimiva keino olisi lisätä kartan päälle Helsingin kaupunginosakartta, niin kuin Elida Peuha (2022) on tehnyt blogi-julkaisussaan Ruutukarttoja ja rasteriaineistoja, GEOINFORMATIIKAN MENETELMÄT.  Peuha kirjoittaa julkaisussaan, että hän lisäsi karttaan pääkaupunkiseudun pienalueet, jotta eri alueita olisi helpompi hahmottaa. Kartta olisi entistä luettavampi, jos siihen olisi merkattu paikannimet sekä kuntarajat.

Pornaisiin matka vie

Viikon toisessa tehtävässä tutustuttiin rasteriaineistoihin ja niiden työstämiseen, sekä valmisteltiin ensi viikon tehtäviä.  Ensimmäinen kontaktini rasteriaineistoon oli kun röntgenkuvamainen, mustavalkoinen kuva-aineisto avautui hetken kamppailun jälkeen ruudulleni. Korjattuamme koordinaattijärjestelmät (3067) käsittelime aineistoa, niin, että loimme sen avulla rinnevalovarjostuksen Pornaisten peruskartan päälle (kuva 2). Tässä kohtaa pieni liioittelu korkeuskäyrien luomisessa, kuten muutenkin elämässä, on aina tervettä. Erittäin mielenkiintoisena maantieteellisenä, sekä biologisena faktana oli auringon kulman vaikutus rinnevalovarjostukseen. Jos valo tulee muualta kuin koillisesti (35) tai luoteesta (315), monet ihmiset tulkitsevat korkeusvaihtelut syvyysvaihteluina. Syynä ihmisen fysiologia. 

Kuva 2. Pornaisten peruskarttalehti, jonka päällä rinnevalovarjostus.

Rinnevarjostus paljastaa maanpinnasta elementtejä joita ei maan pinnalla kävellessä huomaisi. Vinovalovarjostuksen ollessa peruskarttalehden päällä korostaa se erityisesti joen fluviaalista eroosiota ja meanderointia (kuva 2). Seuraavaksi valmistelimme karttaa seuraavan viikon kurssikertaa varten merkitsemällä siihen isoimmat tiet, sekä kaikki asuinrakennukset (kuva 3). Tehtävä toi PTSD oireiden kaltaisesti muistot Tiedon esittäminen maantieteessä-kurssista. Paniikin omaisen tallentamisen jälkeen voin vain rukoilla, että kaikki aineistot ovat tallessa ensi viikon tunnilla.

Kuva 3. Pornaisten peruskarttalehti, johon merkittynä Pornaisten alue, päätiet ja asuinrakennukset.

Lähteet:

Kotilainen R. (2022), Viikko 4: Ruutuaineistoihin perehtymistä, Roosan blogi, (luettu 10.2.2022), saatavilla: https://blogs.helsinki.fi/rokoro/

Partanen. P. (2017), Keskustat vetävät keskiluokkaisia lapsiperheitä, TEK.fi, (luettu 9.2.2022), saatavilla: https://www.tek.fi/fi/uutiset-blogit/keskustat-vetavat-keskiluokkaisia-lapsiperheita

Peuha E. (2022), Ruutukarttoja ja rasteriaineistoja, GEOINFORMATIIKAN MENETELMÄT, (luettu 10.2.2022), saatavilla: https://blogs.helsinki.fi/elida/?p=176

 

Posted on

Viikko 3. Eksyksissä Afrikassa ja hukkumassa tulvivassa Suomessa

Timantteja, öljyä ja konflikteja

Aamuisen kankea QGIS-tunti alkoi vauhdilla, kun aloitimme suoraan työstämään karttaa Afrikan maiden konflikteista, timanttikaivoksista ja öljykentistä 1940-luvulta vuoteen 2006 asti (kuva 1). Harjoituksessa perehdyttiin muokkaamaan aineistoja QGIS:issä, yhdistelemään ja tuomaan niitä sinne lisää, mikä jostain syystä osoittautui sovelluksen Akilleksen kantapääksi.

Ohjeiden seuraamisen ja sovelluksen kaatumisen lomassa erittäin mielenkiintoiseksi osoittautui itse kartan teema, siis Afrikan konfliktit ja niiden suhde valtion timantti ja öljy esiintymiin. Kartan Peace Research Institute Oslon aineistoa silmämääräisesti tarkastellessa ei näkynyt selvää korrelaatiota timanttien, öljyn ja konfliktien välillä. Salla Kärkkäinen kirjoittaa blogijulkaisussaan Viikko 3. Toistojen kautta se avautuu, Sallan kurssiblogi (2022), että on mielenkiintoista, kuinka konflikteja on, vaikka timanttien ja öljyn ajattelisi tuovan varallisuutta alueelle. Syynä voisi olla se, että varallisuus jakautuu huonosti eri ihmisryhmien välille. Afrikan maat ovat vanhoja siirtolaismaita, ja se on jättänyt jälkensä niiden yhteiskuntiin.

Kartalla oli maita joissa oli runsaasti timanttikaivoksia, mutta 0 konfliktia. Oli maita joissa oli runsaasti konflikteja, mutta ei lainkaan timantteja tai öljyä. Ja sitten oli Angola. Valtiossa on ollut 43 timanttikaivosta, 6 öljynporausaluetta ja toisiksi eniten konflikteja koko Afrikassa aineiston ajalta. Kuten Eeva Raki kirjoittaa blogi-julkaisussaan Paineen alla. Oppimassa Geoinformatiikkaa (2022) Angolassa valtaa pitää kommunistipuolue ja valtiossa on suuria yhteiskunnallisia ongelmia. Erityisesti vuosien 1974 ja 2002 välinen sisällissota vaikuttaa maan olotiloihin. Alueella on edelleen purkamattomia miinakenttiä ja sodassa on levinnyt suuria määriä käsiaseita tuntemattomien käsiin. On sanottu, että Angola on yksi maailman korruptoituneista valtioista (Suomen YK-liitto, 2015).

Kuva 1. Öljykenttien, konfliktien ja timanttikaivoksien sijainti Afrikassa (Peace Research Institute Oslo, 2006).

Hukkumassa diagrammeihin

Afrikan jälkeen palasimme kotimaahan, josta tuli tuottaa yksinkertaistettujen ohjeiden avulla kartta kuvamaan tulvaindeksiä koropleettikartalla, johon liittettäisiin pylväsdiagrammit kuvaamaan tulva-alueen järvisyysprosenttia. Tehtävä oli asiaa kaunistelematta haastava, ja vaati enemmän kuin viisi henkilöä ratkomaan samaa arvoitusta. Aikaisempien tuntien opit olivat erittäin tehokkaasti unohtuneet ja vaativat tovin QGIS:n pyörittelyä ennen kuin ne palasivat mieleen, esim. miten yksinkertainen koropleettikartta luodaan. Itse kuitenkin arvostin tehtävänannon vajaavaisuutta, joka pakotti tekijän kokeilemaan, muistelemaan, googlaamaan ja pysähtymään miettimään sitä, mitä minä olen tekemässä ja miksi. Tehtävän tekeminen toi monia ahaa-hetkiä, sekä epätoivon kyyneliä.

Lopputulokseksi syntyi erittäin vaikealukuinen ja esteettisesti kyseenalainen kartta, joka ei aivan kerro sitä mitä sen kuuluisi, ja joka jättää hiukan liikaa katsojan tulkinnan varaan (kuva 2). Itse pidän lämpimänharmaan taustan ja valkoisten rajojen, sekä kylmien sinisten tuomasta kontrastista, mutta siihen esteettiset, että käyttöarvolliset plussat jäävätkin. Kartta on sekava, pääasiassa pylväsdiagrammien takia. Ohjeista huolimatta en onnistunut erottelemaan pylväitä toisistaan, joten Etelä-Suomen diagrammit ovat täysin lukukelvottomat. Pylväiden läpinäkyvyys on liian voimakas, joka korostuu näin blogiin laitettaessa. Tämä heikentää huomattavasti niiden tulkittavuutta.

Kuva 2. Valuma-alueiden tulvaindeksikartta järvisyysprosentti diagrammeilla.

Kartasta (kuva 2) saa luettua kaksi asiaa: ensinnäkin, suurin tulvaindeksi on Itämeren rannikolla olevilla valuma-alueilla, ja toiseksi, järvien määrä ei korota tulvaindeksiä. Mikään yksityiskohtaisempi arvio tältä kartalta ei onnistu. Jopa tulvaindeksi-luokkia kuvaavat siniset ovat mielestäni liian vaikealukuiset ja tuottavat vaikeuksia tunnistaa legendasta ja kartasta.

Yleisiä tekijöitä kartalla esiintyville ilmiöille on alueiden topografia. Rannikkoalueet ovat usein alavia, erityisesti Pohjanmaan alueella. Alueella on myös paljon samaan suuntaan laskevia jokia, joka lisää riskiä tilanteelle, jossa useat joet tulvivat samaan aikaan. Järvisuomen matala tulvaindeksi johtuu luultavimmin suurimmaksi osaksi järvien kyvystä säilöä vettä tehokkaasti, kuten Eeva Rakikin (2022) kirjoitti blogissaan.

Neljä vuotta vanhan Suomen Ympäristökeskuksen tulvariskiarvion mukaan moniin muihin maihin nähden Suomen tulvariskit ovat vähäisiä useiden virtaamia tasaavien järvien ja hyvän tulvariskien hallinnan ansiosta. Kuitenkin väestömuutokset ja talouskasvu lisäävät tulville altistumista ja haavoittuvuutta monilla alueilla. Pitkällä aikavälillä ilmastonmuutoksen ennustetaan kasvattavan tulvariskiä erityisesti merenrannikolla. Arvioiden perusteella Suomen tulvariskit kaksin- tai kolminkertaistuvat vuoteen 2100 mennessä. (Suomen Ympäristökeskus, 2018).

Lähteet:

Kärkkäinen S. (2022) Viikko 3: Toistojen kautta se avautuu, Sallan kurssiblogi, (luettu 3.2.2022), saatavilla: https://blogs.helsinki.fi/karkkais/

Raki E. (2022), Paineen alla, Oppimassa Geoinformatiikkaa, (luettu 2.2.2022), saatavilla: https://blogs.helsinki.fi/eevaraki/

Suomen YK-liitto, (2015), Angola, Globalis.fi, (luettu 5.2.2022), saatavilla: https://www.globalis.fi/Maat/angola

Suomen Ympäristökeskus (2018), Suomen tulvariskien ennakoidaan kasvavan tulevaisuudessa, SYKE.fi, (luettu 2.2.2022), saatavilla: https://www.syke.fi/fi-FI/Ajankohtaista/Suomen_tulvariskien_ennakoidaan_kasvavan%2848862%29

 

Posted on

Viikko 2 . Projektio, projektio, projektio…

Neljä tuntia tuskaa

Keskiviikko aamun unen utuisella tunnilla käsittelimme QGIS-sovelluksen  työkalujen käyttämistä, sekä sen isoimpien sudenkuoppien välttelyä. Käsittelyssä oli myös rajapintapalveluita, joiden ideana on tallentaa verkko-osoite, joka toimii vain rajapinnassa. Tämän osoitteen kautta saadaan käyttöön aineistoja suoraan paikkatieto-ohjelmaan. Tästä aiheesta mieleen painui erityisesti kaksi eri rajapinta-aineiston tyyppiä. Web Feature Service (WFS) ovat vektori aineistoja, jotka noudetaan omalle koneelle. Web Map Service (WMS), ovat taas valmiita tasoja rasteri muotoista dataa, erinomaisia visuaaliseen esittämiseen. Nykypäivänä tällaisten erilaisten aineistojen tuottajia on runsaasti, mm. kaupungit, Paikkatietoikkuna, Paituli, Tilastokeskus sekä Ilmatieteenlaitos.

Tuntien aikana tehtiin WFS harjoittelua sekä kerrattiin eri projektioita. Eeva Raki selitti hyvin blogissaan Oppimassa geoinformatiikkaa, 2. Kurssikerta: Aineistojen pyörteissä (2022)karttaprojektioiden periaatteen.

Maapallo on muodoltaan litistynyt geoidi ja täten kolmiulotteinen. Kolmiulotteista pintaa on mahdoton siirtää kaksiulotteiselle tasolle ilman, että pinnan muodot vääristyisivät. Jotta maanpintaa pystyttäisiin kuvaamaan mahdollisemman todenmukaisesti, on luotu karttaprojektioita. Karttaprojektiot pyrkivät kuvaamaan maanpintaa kartalle mahdollisimman todenmukaisesti. Jokainen projektio kuitenkin vääristelee totuutta, joka näkyy kartoissa ja karttajärjestelmissä

-Eeva Raki (2022)

Harjoituksessa testattiin miten projektiomuunnokset vaikuttaa kohteiden mittaamisen kartalla. Esim. mitattaessa saman alueen pinta-alaa ETRS-TM35FIN projektiolla QGIS ilmoittaa karteesiseksi pinta-alaksi 2 811,4 km². Sama alue Mercatorin projektiolla mitattuna oli 23 827,3 km². Lukujen ero on niin suuri, että tuntuu järjenvastaiselta, että Mercatorin projektio on yksi maailman yleisimpiä ja käytettyjä projektioita (Wikipedia, 2021).

Toisto on opin äiti

Harjoittelimme projektioiden erojen esittämistä visuaalisesti vertailemalla ETRS-TM35FIN projektiota Robinsonin projektion kanssa (kuva 1). Harjoitus antoi hyvän pohjan viikon muita karttoja varten. Robinsonin projektion lisäksi päädyin tekemään myös 4 muuta projektiota-vertailu karttaa (kuva 2, 3, 5, 7).

Kuva 1. Robinsonin projektio suhteessa ETRS-TM35FIN projektioon.
Kuva 2. Mercatorin projektio suhteessa ETRS-TM35FIN projektioon.

Yksi vertailtavista projektioista oli Mercatorin projektio (kuva 2), joka nopealta vilkaisulta muistuttaa suuresti Robinsonin projektion suhde-karttaa (kuva 1). Kuitenkin lähempi legendojen tarkastelu paljastaa nopeasti, että Mercatorin aikaansaama vääristymä on paljon suurempi kuin Robinsonin, ja painottuu voimakkaasti Pohjois-Suomeen. Tämä johtuu siitä, että Mercatorin projektio on lieriöprojektio, joka kuvaa tarkimmin päiväntasaajan seudun, sekä pieniä alueita, kuten kaupunkeja. Suurempien alueiden kuvaamisessa Mercatorin projektion vääristymä kuitenkin kasvaa niin suureksi ettei se anna enää millään mittakaavalla realistisia taikka järkeviä lukuja, kuten aiemmassa pinta-ala vertailussa totesimme.

Kuva 3. Winkel projektio suhteessa ETRS-TM35FIN projektioon.

Toinen projektio-vertailu oli Winkel projektio (kuva 3), jonka suhteellisuuskartta muistuttaa voimakkaasti Robinsonin kartan suhdetta. Tämä ei ole yllätys, koska projektiot muistuttavat paljon toisiaan myös Tissot’n indikaattorikartalla kuvattuna (kuva 4).

Kuva 4. Vasemmalla Winkel projektio, oikealla Robinsonin projektio Tissot’n indikaattorien avulla kuvattuna. (Koponen J. & Hilden J. (2017))

Kaksi omasta mielestäni mielenkiintoisinta projektiota olivat kuitenkin Behmann projektio (kuva 5) ja Aitoff projektio (kuva 7), jotka kumpikin loivat erittäin mielenkiintoiset pinta-alan vääristymät. Behrmann projektiossa voimakkain vääristymä kohdistuu suoraan keskelle Suomea pohjois-etelä akselissa. Behrmann projektio on lieriöprojektio, joka on tarkimmillaan kääntöpiireillä ja luoden voimakkaimman vääristymän napojen läheisyydessä. Napojen luona pinta-ala vääristyy voimakkaasti  länsi-itä suunnassa, mikä näkyy selkeästi Tissot’n indikaattori kartassa (kuva 6), ja mikä selittää kuva 5 vääristymän muodon.

Kuva 5. Behrmann projektio suhteessa ETRS-TM35FIN projektioon.
Kuva 6. Tissot’n indikaattori Behrmann projektiokartalla. (Wikipedia, 2021)

Aitoff projektion vääristymä (kuva 7) on mielenkiintoinen sen luode-kaakko suuntaisien luokkajakojen takia. Projektio on muodostettu muuntamalla sellaisesta oikeakeskipituisesta tasoprojektiosta, jossa sivuamispiste on päiväntasaajalla (Wikipedia, 2016). Sivuamispisteen ollessa päiväntasaajalla on oletettavaa, että vääristymät voimistuvat mitä kauemmas päiväntasaajasta siirrytään. Suomen kohdalla tämä vääristymä aiheuttaa niin pohjois-etelä suuntaista vääristymää kuin myös luode-kaakko suuntaista vääristymää. Vääristymä ilmenee hyvin myös Tissot’n indikaattorikartan avulla (kuva 8).

Kuva 7. Aitoff projektio suhteessa ETRS-TM35FIN projektioon.
Kuva 8. Tissot’n indikaattorikartta Aitoffin projektiolla. (Wikipedia, 2021)

Ja käteen jäi…

Koen, että karttojen yleisilme on hyvä. Ne sisältävät tarvittavat elementit ja tällä kertaa myös lähteet. Suurin ongelma kartoissa on, etteivät ne edusta selvästi ymmärrettäviä prosenttiarvoja, mikä olisi vaatinut lukujen kertomisen sadalla. Nykyiset luvut kuvaavat puhtaasti karttaprojektioiden luoman pinta-alan suhdetta. Luvut toimivat kohtalaisen hyvin kun vertaillaan samalla tekniikalla tehtyjä karttoja keskenään. Kuitenkin, jos karttoja pitäisi lukea yksin ilman vertailua, tai jos vertailu kohteena olisi prosentti luokkainen kartta, olisi se erittäin hankalaa.

Viikko harjoitus auttoi merkittävästi hahmottamaan uusia karttaprojektioita ja muistelemaan vanhoja tuttuja. Niihin perehtyminen auttoi hahmottamaan kuinka monta erilaista projektiota todella on olemassa, kuinka moneen eri käyttötarkoitukseen niitä on luotu, ja ennen kaikkea sen, että kaikki projektiot eivät sovi kaikkiin käyttötarkoituksiin. Jos tilastoilla on helppo valehdella, niin karttaprojektioilla pääsee hyvälle toiselle sijalle. Myös Salla Kärkkäinen kirjoittaa blogissaan Viikko 2: Kuntien avainlukuja ja gissiä, Sallan Blogi (2022), että eri projektioiden pinta-alojen vääristymän laskeminen oli hyvää toistoa, joka opetti, että on hyvä olla tietoinen käytetystä projektiosta ja valinnan merkityksestä projektille.

Lähteet:

Koponen J. & Hilden J. (2017), Mercatorin projektio ei sovi maailmankarttoihin. Gall-Peters on lähes yhtä surkea vaihtoehto, Informaatiomuotoilu.fi, (luettu 26.1.2022), saatavilla: http://informaatiomuotoilu.fi/asiasanat/tissotn-indikaattorit/

Kärkkäinen S. (2022), Viikko 2: Kuntien avainlukuja ja gissiä, Sallan blogi, (luettu 27.1.2022), saatavilla: https://blogs.helsinki.fi/karkkais/

Raki E. (2022), 2. Kurssikerta: Aineistojen pyörteissä, Oppimassa Geoinformatiikkaa-blogi, (luettu 27.1.2022), saatavilla: https://blogs.helsinki.fi/eevaraki/

Wikipedia (2021), Behrmann projection, Wikipedia.org, (luettu 26.1.2022), saatavilla: https://en.wikipedia.org/wiki/Behrmann_projection

Wikipedia (2021), Aitoff projection, Wikipedia.org, (luettu 27.1.2022), saatavilla: https://en.wikipedia.org/wiki/Aitoff_projection

Wikipedia (2021), Mercator projection, Wikipedia.org, (luettu 27.1.2022), saatavilla: https://en.wikipedia.org/wiki/Mercator_projection

 

 

Posted on

Viikko 1. Tapaamme jälleen, QGIS

Suhteeni QGIS-sovelluksen kanssa on lievästi ilmaistuna monimutkainen. Tähän mennessä oma kokemukseni QGIS:istä on ollut, että sovelluksen kohtaloksi koituu sen oma kaikki voivaisuus. Mahdollisuus tehdä lähes mitä vain koskien karttoja, kuvanmuokkausta sekä tilastollista analyysiä, vähentää sen käyttäjäystävällisyyttä niin paljon, että kun kuulin tarvitsevani QGIS-sovellusta tällä kyseisellä kurssilla halusin itkeä, mutta onneksi turhaan.

Geoinformatiikan menetelmät 1:n ensimmäisellä tunnilla toteutettiin harjoitus, jossa luotiin eri Itämerta ympäröivien maiden typpipäästöjen prosentuaalista osuutta kuvastava kartta. Harjoitus auttoi hahmottaa paremmin QGIS toimintaa, kuinka valmiit aineistot saadaan tuotua sovellukseen ja kuinka ne siellä esiintyvät. Myöskin sovelluksessa tehtävä tilastollinen analyysi ja uuden aineiston luominen jo olemasta olevassa, tässä tapauksessa typpipäästöjen suhteellisen osuuden laskeminen kokonaismäärästä, oli jotain uutta, ja erittäin käytännöllistä oppia. Yllätyin positiivisesti kuinka laajat mahdollisuudet QGIS tarjoaa erinäisten ulkoasun muokkaamiseen, vaihtoehtojen ollessa hyvien piirto-ohjelmien tasoisia. Monipuoliset ulkoasunmuokkaus vaihtoehdot tekivät siitä kuitenkin hankala käyttöisen ja monimutkaisen, kaikkea muuta kuin käyttäjäystävällisen.

QGIS:illa oli myös hankaluuksia laskea suuria summia, sovelluksen antaessa vika-ilmoitusta saavutettuaan tietyn luvun, ja jouduinkin turvautumaan EXCEL-sovellukseen laskiessani perheiden yhteismäärää tehtävä 2. karttaa varten. Tässä kohtaa huomasin myös oman kehitykseni koskien eri sovellusten hyödyntämistä. Joutuessani ns. umpikujaan QGIS kanssa pystyin nopeasti soveltamaan toisen sovelluksen avulla, mitä en olisi tajunnut tehdä vielä puoli vuotta sitten.

 

HELCOM-alueen typpikartta

Kartta 1 esittää maiden tuottamia typpi päästöjä HELCOM-alueella. Väri gradientti kuvaa päästöjen määrää prosentteina. Suurimpia saastuttajia kartan mukaan ovat Puola suurimpana, sekä Latvia, Venäjä ja Ruotsi asettuen 8–13,3 % välille. Pienimmät saastuttajat ovat Suomi, Viro, Liettua, Saksa ja Tanska, joiden prosentit ovat 3,2–8,0 %. Päästöjen määrään vaikuttaa monia asia. Suurimmat typpipäästöjen säätelyyn vaikuttavat tekijät ovat maiden sisäinen politiikka ja ympäristölainsäädäntö, sekä kansainväliset sopimukset. Puolassa typen kokonaispäästöt jakaantuvat kolmeen eri kategoriaan, maatalous tuottaa 50 % typpipäästöistä, palamisreaktiot 26 % ja liikenne 22 %. (Bartnicki J. & Benedictow A. (2017))

Kuva 1. HELCOM-alueen maakohtaiset typpipäästöt.

HELCOM-alue käsittää käytännössä katsoen koko Itämeren, joka on erittäin haavoittuvainen ekosysteemi. Se on suhteellisen nuori, matala ja kapea meri. Itämeren valuma-alueen pinta-ala on 4 kertaa laajempi kuin itse meren, ja Tanskan salmien ansiosta siinä oleva vesi vaihtuu hitaasti. (Helsinki Commission (2004)). Typpi lisää rehevöitymistä Itämeressä toimien levien ja vesikasvien kasvua säätelevänä ravinteena. Rehevöityminen itsessään lisää happivajetta etenkin talvisin, kun jää peittää meren. Tämä johtaa helposti noidan kierteeseen, jossa happivaje lisää rehevöitymistä ja rehevöityminen happivajetta. Hapen puute vaurioittaa pohjassa eläviä lajeja ja aiheuttaa death zone-alueita. Rehevöityminen uhkaa myös Itämeren avain lajeja, jotka toimivat ekosysteemin kulmakivinä (Kiirikki M. (2008)).

Itse koen, että kartta on selkeä, se on puna-viher-sokeille soveltuva ja sisältää kartan minimivaatimukset: mittakaavan, pohjoisnuolen ja legendan. Informaatioarvoltaan se voisi kuitenkin olla parempi. Kartasta ei käy ilmi miltä vuodelta/vuosilta arvot ovat, taikka datan lähdettä. Myöskin karttaan merkittyjä typpipäästöjä ei ole määritelty, eikä kartta kerro mitä ne tarkalleen ottaen tarkoittavat. Jos karttaa tulkitseva henkilö ei ole syntynyt Euroopassa taikka Venäjällä, voi maiden tunnistaminen olla hankalaa, joten itse saattaisin lisätä maiden kohdalle niiden nimet. Myöskin Itämeressä näkyvät syvyyskäyrät ovat tarpeettomat, kun käsitellään eri maiden typpipäästöjä, ja niiden poistaminen selkeyttäisi etenkin saaristo Suomea visuaalisesti. Lisäksi pohjoisnuoli voisi osoittaa todelliseen pohjoiseen.

Säätämällä luokkien määrää ja luokkajaon tyyppiä (Natural brake, pretty brake jne.) voidaan saada aikaan huomattavasti erinäköisiä tuloksia, jotka voivat liioitella tai vähätellä eri maiden tuottamien typpipäästöjen määrää. Koen kuitenkin, että kuvan 1. kartta, jossa on käytetty 3 luokkaa ja natural brakes luokkajakoa, esittää ilmiön luotettavasti. Myös prosenttiluokkia kuvaavat värit sopivat mielestäni ilmiön teemaan, sen ollessa varsin negatiivinen. Alimman luokan (3,3–8,0 %) esittäminen valkoisen sijaan keltaisella antaa sille myös negatiivisen visuaalisen ilmeen, valkoisen ollessa usein neutraali ja puhtaaseen viittaava väri.

 

Karttoja kunnista ja mielenkiinnon aiheista

Viikon toinen tehtävä oli tuottaa Kunnat 2015 aineistosta karttoja, jotka käsittelivät haluamiani ilmiöitä. Valitsin helpomman toteutustavan ja päädyin tekemään kolme karttaa, jotka käsittelevät väestöntiheyttä, perheiden prosentuaalista jakautumista ja työttömyysprosenttia. Kotona tehdessäni karttoja Kunnat2015 aineistosta huomasin positiiviseksi yllätyksekseni, että tekeminen sujui paria pientä ongelmaa lukuun ottamatta sujuvasti ja viimeisen kartan kohdalla se oli jopa vaivatonta.

Kartat, jotka tuotin osana tehtävää 2. (Kuva 2, Kuva 3, Kuva 4) ovat selkeitä ja helppolukuisia ja sisältävät kaiken tarvittavan. Koitin valita kartan värit, jotta ne sopisivat mahdollisimman hyvin edustamaan valittuja ilmiöitä. Negatiiviseen ilmiöön, työttömyysprosentti, valitsin punainen-violetti gradientin, kun taas mielestäni positiiviseen ilmiöön, perheiden prosentuaaliseen määrään, valitsin valkoinen-vihreän gradientin. Erittäin neutraali ilmiö, väestöntiheys, on kuvattu valkoinen-keltainen gradientilla.

Samalla tavalla kuin kuvan 1 kartassa, näissäkin kartoissa ilmiön luotettavuuteen vaikuttaa luokkien määrä ja luokkajako. Luokkajako kaikissa kolmessa kartassa on natural brake, joka mielestäni antoi realistisimman kuvan ilmiöstä. Luokkien määrä vaihtelee karttojen välillä 5–9. Koska ilmiö oli kunta kohtainen ja kuntien määrän ollessa varsin suuri Suomen kohdalla, koin, että alle 5 luokkajaot eivät tuoneet tarpeeksi esiin kuntien välistä vaihtelua vaan yksinkertaisti tilannetta liikaa. Näin jälkikäteen tarkastellessa karttoja voin myös todeta, että 9 luokkaa työttömyysprosentti kartassa (kuva 2) on turhan paljon, sen taas saaden kaiken paitsi eteläisen Suomen näyttämään työttömyyden partaalla olevalta maaseudulta. Näin jälkikäteen laskisin luokkien määrän 7.

Kuva 2. Kuntien työttömyysprosentti. (2015)

Huolimatta liian monen luokan aiheuttamasta vääristymästä, on selvää, että suurimman työttömyysprosentin omaavat kunnat ovat pääasiassa maaseutu painotteisia kuntia ilman suurempia kasvukeskuksia, kun taas Uudenmaan alueen ja länsirannikon kasvukeskukset kykenevät työllistämään runsaasti ihmisiä. Tämä johtuu pääsääntöisesti siitä, että kasvukeskuksissa, joissa asuu paljon ihmisiä (kuva 3) sijaitsee myös paljon yrityksiä, sekä runsaasti palveluita jotka työllistävät paikallisia, kun taas harvaan asutulla seudulla työpaikkojen ja palveluiden määrä on alhaisempi. Yritysten ja palveluiden puute omalta osaltaan johtaa alueen asutustiheyden laskuun ihmisten muuttaessa töiden perässä kasvukeskuksiin.

Heta Suutari on myös julkaissut blogissaan väestöntiheyskartan, jossa tämä käyttää 4 luokkaa ja tasaisia luokkajakoja, jotka saavat aikaan voimakkaasti erilaisen väestöntiheyskartan. Suutarin kartta kuvaa mielestäni paremmin väestöntiheyden eroja kuntien välillä kuin oma karttani (kuva 3). Hän myös kiteyttää hyvin väestöntiheyden vaihteluiden syyt.

“Väestön sijoittumista kartalla selittää nyky-yhteiskunnan kaupunkilähtöisyys. Väestö keskittyy suuriin kaupunkeihin työ- ja opiskelupaikkojen perässä.” – Heta Suutari, (2022)

Kuva 3. Kuntien väestötiheys, asukasta/km2. (2015)

Henkilökohtaisesti mielenkiintoisin kartta on perheiden prosentuaalinen jakaantuminen kuntien kesken. Tein kartan jakamalla kunnissa olevien perheiden määrän koko Suomen perheiden määrällä (vuonna 2015) ja kertomalla tulokset 100. Oli odotettavaa, että pääkaupunkiseutu tulee korostumaan kartalla johtuen sen suuresta väkilukumäärästä, mutta muita positiivisia yllätyksiä olivat yksittäiset Keski-Suomen kunnat ja yksi pohjoinen kunta, jotka sijoittuivat toiseksi korkeimpaan luokkaan, 1,88–4,74 %. Tämä voi selittyä sillä, että perheet suosivat kasvukeskuksien lisäksi myös rauhallisempia, kuitenkin hyvät palvelut omaavia kuntia.

Kuva 4. Perheiden prosentuaalinen määrä kunnittain. (2015)

Lähteet:

Bartnicki J. & Benedictow A. (2017), EMEP/MSC-W report for HELCOM, (EMEP/MSC-W TECHNICAL REPORT 2/2017), Oslo: Meteorological Synthesizing Centre-West (MSC-W), (luettu 20.1.2021), saatavilla: https://helcom.fi/media/publications/Contributions-of-emissions-from-different-countries-and-sectors-to-atmospheric-nitrogen-input-to-the-Baltic-Sea-1.pdf

Helsinki Commission (2004), Nutrient Pollution to the Baltic Sea in 2000, (Baltic Sea Environment Proceedings No. 100), (luettu 20.1.2022), saatavilla: https://helcom.fi/wp-content/uploads/2019/10/BSEP100.pdf

Kiirikki M. (2008), Effects of Climate Change on Eutrophication in the Northern Baltic Sea, WWF, (luettu 20.1.2022), saatavilla: https://wwf.fi/app/uploads/7/u/k/5lexcirbjtl6ecudwvrsfrc/wwf_report_climate_balticsea_study_2008.pdf

Suutari H. (2022), 1. viikko: tutustuminen, Heta VS GIS-blogi, (luettu 23.1.2022), saatavilla: https://blogs.helsinki.fi/suutarih/