Kuukausi: helmikuu 2024

Hellurei 8)

Viidennellä kurssikerralla jatkoimme edellisellä kerralla aloittamaamme Pornaisiin liittyvää visualisointia (Kuva 1). Harjoittelimme puskurivyöhykkeiden tekoa buffer-työkalulla. Koin sen helpoksi, osittain varmaan sen takia, että puskurien tekemistä kokeiltiin jo johdatus geoinformatiikkaan –kurssilla.

Kuva 1. Pornaisten keskusta, talot, ja visualisoimani bufferit teiden, koulun ja terveyskeskuksen ympärille.

Kartasta tuli mielestäni kivan näköinen! Tosin jos miettii, että siitä pitäisi jotain oikeasti tarkastella, olisi se turhan sekava, eikä se kerro katsojalle hirveästi mitään tärkeää informaatiota. Ehkä jos asuisi Pornaisissa ja haluaisi tarkastella, onko oma talo 500 metrin päässä terveyskeskuksesta, kilometrin päässä koulusta tai 50 metrin päässä tiestä, kartalla voisi tehdä jotain… Tosin oman talonkin löytäminen voisi olla hankalaa kaikkien noiden pisteiden joukosta =D

Omatoimisia tehtäviä 

Tunnin loppupuolella teimme omatoimisia tehtäviä. Sain tehtyä melkein kokonaan Malmin- ja Helsinki-Vantaan lentokenttiin liittyvät tehtävät. Visualisoin kenttien kiitoratojen ympärille melualueita kuvaavia buffereita ja laskin niiden alueilla asuvien ihmisten määriä (Kuva 2 & 3). Vastaukseni tehtävään löytyy Taulukosta 1.

Taulukko 1. Vastaukset tehtävään 1. ”Lentokentät”

Eeva Tervomaan blogissa (2024) oli mielenkiintoinen huomio Malmin lentokentän pahimmalla melualueella (1km säteellä kiitoradoista) asuvien ihmisten lukumääristä. Tervomaa huomasi, että luvut hieman vaihtelevat eri ihmisten vastauksissa. Minä sain esimerkiksi vastaukseksi 9044 ja Leino 9102. En olisi keksinyt mistä erot johtuvat, mutta Tervomaa päätteli, että tuloksiin vaikuttaa se, että kaikki piirsivät itse kiitoradat, joiden ympärille puskurivyöhyke tehtiin. Pienikin heitto kiitoratojen koossa voi vaikuttaa siihen, että esimerkiksi yksittäiset kerrostalot jäävät 1 km vyöhykkeen ulkopuolelle.

Kuva 2. Malmin lentokentän melualueita (1 km ja 2 km) kuvaavat bufferit.

Kuva 3. Helsinki-Vantaan lentokentän melualuetta (2 km) kuvaava bufferi.

Mietteitä QGIS’istä 

QGIS’in käyttö on selkeästi helpottunut kurssin aikana. Tuntuu että osaan, kunhan tarkastelen aineistoja rauhassa ja tarpeeksi pieninä palasina kerrallaan. Samalla kuitenkin tuntuu, että välillä jää yksinkertaisiinkin asioihin jumiin, eikä tehtävien teko meinaa onnistua. QGIS’in monipuolisuus näkyykin sen käytön monimutkaisuutena.  

Jos pohdin omaa osaamistani tarkemmin, tutuimmaksi asiaksi on ehdottomasti tullut eri layereiden symbolien värien ja muiden ominaisuuksien muokkaaminen. Etenkin koropleettikarttoja gradient -työkalulla on tullut tehtyä. Rakastan sitä, kun kartasta saa visualisoitua kivan värisen (ja tietysti mahdollisimman selkeän ja informatiivisen). Jos kuitenkin mietitään vähän syvemmälle datan käsäittelyyn meneviä työkaluja, niin tutuimmiksi on tullut varmaankin attribuuttitaulukon Field calculator –toiminto ja sen avulla uusien sarakkeiden luominen taulukossa olevien muiden sarakkeiden tietojen pohjalta. Varsinkin erilaisten prosenttiosuuksien laskeminen on tullut tutuksi, sillä ilman niitä ei koropleettikarttoja voi oikein tehdä.  

Muita suhteellisen tutuksi tulleita työkaluja on tälläkin kurssikerralla käytetty buffer –toiminto, sekä edellisellä kerralla käytetty Vector grid -työkalu. Puskurointivyöhykkeiden visualisointi on varmasti hyödyllistä monessa eri asiassa. Ensimmäisenä minulle tulee kuitenkin mieleen esimerkiksi luonnonsuojelua vaativien kohteiden puskuroiminen. Hyvänä esimerkkinä lähimenneisyydestä on vaikkapa Stansvikin metsäalueelta löytynyt noro, joka on vesilain erittäin tiukasti suojelema luontotyyppi. Noron ympäristöön ei saa rakentaa mitään ilman poikkeuslupaa, joten alueella käynnissä olleet hakkuut pysäytettiin (Huuskonen 2023). Uskon, että esimerkiksi tällaisille kohteille on laskettava puskurivyöhyke, jonka sisäpuolella maanmuokkaus on jätettävä sikseen.  

Vector grid -työkalu on hyödyllinen, jos jollakin alueella on tarkasteltava vaikkapa jonkin kasvien tai muiden eliöiden ryhmittymistä. Jos tarkasteltavalta alueelta on kartoitettu esimerkiksi kasvillisuutta, ja jonkin lajin yksilöiden sijainnit ja määrät tiedetään, voitaisiin ruudukon avulla visualisoida kartta, josta kasvien sijoittuminen kartalle näkyy paremmin. Esimerkiksi uhanalaisten kasvien suojeleminen voisi olla helpompaa, jos kartalta pystytään selkeästi rajaamaan alueet, joilla kasvia esiintyy enemmän.  

Näiden lisäksi on vielä useita muita komentoja ja työkaluja, jotka ovat tulleet jollakin tapaa tutuksi. Esimerkiksi mittaus- ja valitsemistyökalut, join –komento ja rajapintojen kautta ladattavat aineistot. Kurssin aikana on tullut niin paljon asiaa, että en edes muista kaikkea. Tämä nitoutuu oikeastaan ensimmäisessä kappaleessa mainitsemaani asiaan, eli siihen, kuinka QGIS’in monipuolisuus vaikuttaa myös sen käytettävyyteen. Jos ei ole kokemusta paikkatieto-ohjelmien käytöstä, rajoittaa QGIS’in monipuolisuus/monimutkaisuus ohjelman käyttöä. Toki ohjelmiston käytettävyyteen vaikuttaa myös esimerkiksi aineistot ja niiden laatu. Jos jokin aineisto (kuten kolmannen kurssikerran Afrikan valtiot –aineisto) on alusta pitäen kasattu monimutkaisesti, on myös sen käyttö ja datan analysointi vaikeampaa. Silloin käyttäjällä tulee olla taidot, jolla muokata aineisto oikeaan muotoon.  

 

Lähteet:

Tervomaa, E. 2024. Geoinformatiikan menetelmät 1, viides kurssikerta. Viitattu 7.3.2024.  https://blogs.helsinki.fi/terveeva/

Moromoro!

Neljäs kurssikerta oli tähän mennessä ehdottomasti helpoin ja vaivattomin kerta! Alkuun oli pidempi teoriaosuus piste- ja ruututietokannoista. Teorian jälkeen lähdimme itse tuottamaan QGIS’in avulla ruutukarttaa  

Käytimme ruudukon luomiseen Vector grid -työkalua. Ruudukko rajattiin valitsemalla itse alue, jolloin jokaisen ruudukosta tuli vähän eri kokoinen. Kun ruudukko oli luotu, liitimme siihen pääkaupunkiseudun rakennuskohtaisen väestötietokannan. Tietokannassa oli listattu todella tarkkaan rakennuksissa asuvien ihmisten tietoja, kuten sukupuoli, ikä, lasten määrä ja se, puhuuko asukkaat suomea, ruotsia vai jotakin muuta kieltä. Rakennusten osoitteet oli myös merkitty, joten mietin luennolla, että aineiston tarkkuus on jopa hiukan kuumottavaa. Tietokanta oli todella suuri, joten poistimme siitä tietoja, joita emme tehtävän tekemiseen tarvinneet. Tämä nopeutti aineiston pyörittämistä.  

Lopulliseen karttaan valitsimme tiedot ruotsinkielisten määrästä. Aluksi ruuduista näkyi vain ruotsinkielisten absoluuttiset, määrät, mutta se olisi ollut todella könkkö tapa esittää tietoa. Se ei olisi kertonut mitään ruotsinkielisten määrästä suhteessa muihin asukkaisiin. Niinpä saimme omatoimiseksi tehtäväksi muokata kartasta sellaisen, että siitä voi hahmottaa ruotsinkielisten prosentuaaliset osuudet muista asukkaista. Tämä onnistui helposti, ja lopputulos onkin nähtävissä kuvasta 1.  Sini Häkkinen (2024) mainitsee hyvin blogissaan, että ruututeemakartassa kannattaa ottaa huomioon myös se, minkä kokoiset ruudut karttaan valitsee. Ruudut tulee valita aineiston ehdoilla niin, että ruudut ovat sopivan kokoisia suhteessa esitettävään asiaan. 

Kuva 1. Ruotsinkielisten osuus Helsingin alueen asukkaista.

Vaikka alkuun sanoinkin, että itse kurssikerta oli helpoin ja vaivattomin, syntyi kotona tehtävästä kartasta suurta päänvaivaa. Tarkoitus oli tehdä saman tyylinen kartta kuin kuvassa 1., mutta käyttää eri muuttujaa ruotsinkielisten tilalla. Halusin tehdä kartan, josta voisi tutkia eläkeikäisten sijoittumista ja osuuksia Helsingissä. Aluksi se tuntuikin onnistuvan hyvin, mutta kun koitin liittää eläkeikäisten (65-85+) lukumääriä sisältävää tietokantaa luomaani ruudukkoon, en saanut kertaakaan sitä onnistumaan (kymmenistä yrityksistäni huolimatta). Valehtelematta yritin tehdä karttaa yli 9 tuntia. En ole varma mikä Join attributes by location (summary) -toiminnossa meni pieleen, sillä katsoin ohjevideota ja luin kirjallisia ohjeita tarkkaan. Kurssikerralla hyvin onnistunut ja helpolta tuntunut asia ei onnistunut ollenkaan kotona. Tein nyt sitten kuitenkin kaksi huonoa ja ei-informatiivista karttaa näyttääkseni, että olen yrittänyt!

Kuvassa 2. on nähtävillä yritykseni kertoa kartassa eläkeikäisten prosenttiosuudet kartalla. Legendasta voidaan kuitenkin huomata, että kartalle saamani luvut eivät todellakaan ole prosentteja. En tiedä miksi luvut muuttuivat tuollaisiksi, vaikka olin laskenut eläkeikäisten määrän suhteessa kokonaisasukaslukuun onnistuneesti. Huomasin nyt myös sen, että legendassa lukee ”m_meri” eikä meri, niin kuin pitäisi.

Kuva 2. Yritys kertoa eläkeikäisten sijoittumisesta ja osuuksista Helsingissä.

Olisin oikeasti halunnut tutkia sitä, mitkä ovat eläkeikäisten osuudet ja miten he sijoittuvat. Koitin tutkia sitä siksi vielä pisteiden avulla (Kuva 3). Sekään ei onnistunut, sillä aineistossa on niin paljon asuinrakennuksia, että pisteet eivät erotu yksittäisinä, vaan suurina ryppäinä, jolloin mistään ei saa mitään selvää. Harmittaa.

Kuva 3. Yritys tarkastella eläkeikäisten sijoittumista ja osuuksia pisteiden avulla, kun ruudukon avulla se ei onnistunut. Eipä onnistunut tämäkään.

Tehtävä Pornainen

Kurssikerran toisessa tehtävässä alkuun tarkastelimme Pornaisten kunnan laserkeilauksen avulla tuotettuja korkeusmalleja. Tiedostot olivat rasteriaineistoja, ja ne olivat neljässä eri osassa. Avattuani tiedostot, en heti tajunnut mitä ne esittivät (ensiajatus: mustavalkokuva esim. aivojen pinnasta??). Koska aineistot olivat alkuun eri skaaloissa, ja neljässä osassa, ne täytyi yhdistää yhdeksi (Kuva 2).

Avasimme rasteriaineiston lisäksi Pornaisten kunnan peruskarttalehden. Loimme karttalehteen korkeuskäyrät yhdistämämme korkeusmallin avulla. Korkeuskäyrien tekoon käytettiin Contours -työkalua, ja rinnevarjostuksiin Hillshade -työkalua.  Tehtävät onnistuivat helposti opettajan johdolla. Ainoita pieniä ongelmia tuotti QGIS’in tarjoamat väärät koordinaattijärjestelmät, jotka piti muuttaa jokaisen aineiston kohdalla erikseen ETRSTM-35FIN muotoisiksi. 

Kuva 2. Pornaisten laserkeila-aineisto.

Tunnin loppupuolella jätimme korkeuskäyrät ja rinnevarjostukset sikseen, ja aloitimme Pornaisten kuntaan liittyvää työtä, jota jatketaan viidennellä kurssikerralla. Rajasimme peruskarttalehdeltä Pornaisten keskustan kattavan alueen, ja piirsimme siihen suurimmat tiet ja merkitsimme asutut rakennukset pisteillä (Kuva 3).

Kuva 3. Pornaisten keskusta ja asutut rakennukset.

Lähteet:

Häkkinen, S. 2024. Viikko 4: Pisteitä ja ruutuja. Viitattu 18.3.2024. https://blogs.helsinki.fi/hasini/

Moroooo!

Kolmannella kurssikerralla pyörittelimme ja yhdistelimme eri lähteistä tulevaa Afrikkaan liittyvää dataa. Ensimmäinen tietokanta sisälsi tietoa Afrikan valtioiden pinta-aloista. Ongelma tietokannassa oli se, että jos valtiolla oli saaria, ne oli laitettu omille riveillensä, jolloin jotkin valtioista olivat “hajonneet” useaan osaan attribuuttitaulukkoon. Tietokantaa täytyi siis aluksi yksinkertaistaa, jotta siihen pystyi lisäämään tietoa muista lähteistä. Kun tietokanta oli sopivassa muodossa, lisämme siihen dataa timanttikaivoksista, öljykentistä ja konflikteista Join –komennolla. Laskimme näiden lukumäärät valtiokohtaisesti Count points in polygon -työkalulla ja saimme aikaan kartan, josta voidaan havaita Afrikan timanttikaivosten, öljykenttien ja konfliktien sijainnit (Kuva 1).

Kuva 1. Afrikan timanttikaivosten, öljykenttien ja (nyt käynnissä tai aikaisemmin tapahtuneiden) konfliktien sijainnit.

Saimme kotitehtäväksi pohtia, mitä aikaan saamallamme attribuuttitaulukolla voi tehdä, tai mitä siitä voi päätellä, kun se sisältää tiedot: 

• Konfliktin tapahtumavuodesta 
• Konfliktin laajuudesta/säteestä kilometreinä 
• Timanttikaivosten löytämisvuodesta 
• Timanttikaivoksen kaivausten aloitusvuodesta 
• Timanttikaivosten tuottavuusluokittelusta 
• Öljykenttien löytämisvuodesta 
• Öljykenttien poraamisvuodesta 
• Öljykenttien tuottavuusluokittelusta 
• Internetkäyttäjien lukumääristä eri vuosina. 

En ollut ilmeisesti tallentanut projektia tunnilla oikein, joten en saanut sitä auki enää kotona. Edellä mainituista tiedoista voisi kuitenkin tehdä erilaisia päätelmiä ja tilastollisia testejä, onko esimerkiksi timanttikaivosten tai öljykenttien perustamisella yhteyksiä syttyneisiin konflikteihin. Tätä voitaisiin tutkia vuosilukujen avulla. Jos jossakin valtiossa on timanttikaivos/öljykenttä/molemmat sekä jokin konflikti, voitaisiin niiden aloittamisvuosien välistä mahdollista yhteyttä tutkia. Toki konflikti ei välttämättä syty heti, kun esimerkiksi kaivaukset timanttikaivoksella tai poraukset öljykentällä alkavat. Pinnan alla saattaa kyteä kauan, ennen kuin konflikti syttyy, ja tällaisia tietoja ei tietokannasta pysty päättelemään. Ja vaikka tietokannasta löytyisikin yhteyksiä muuttujien välillä, ei se automaattisesti kerro suorasta syy-seuraussuhteesta niiden välillä. Muuttujia saattaa olla useita, ja esimerkiksi juuri konfliktit tuntuvat usein syttyvän monien eri asioiden summana. 

Myös sitä olisi mielestäni aiheellista tutkia, onko timanttikaivosten tai öljykenttien tuottavuusluokittelun tasolla yhteyttä konfliktien alkamiseen. Janella Lehtinen mainitsi blogissaan, että timanttikaivoksista tai öljyesiintymistä voitaisiin päätellä valtioiden varakkuudesta. Hän kuitenkin lisäsi, että valtion varakkuus ei kerro mitään tavallisten kansalaisten elintasosta. Juuri tämä sai minut miettimään sitä, että jos timanttikaivoksen tai öljykentän tuottavuus on suurta, mutta varakkuus ei jakaudu valtiossa tasaisesti, voi sillä olla yhteys konflikteihin. Oli hienoa lukea Aura Niskasen blogista siitä, kuinka kuitenkin Botswana on nostanut itsensä jaloilleen timanttien louhimisella, eikä valtiossa ole ollut konflikteja.

Visualisoimastani kartasta voidaan havaita, että timanttikaivoksia, öljykenttiä ja konflikteja esiintyy sekä samoissa valtioissa, että erikseen. Kartan perusteella näyttää siltä, että useammin erikseen. Visualisointi onnistui mielestäni ihan jees, mutta legendassa minua häiritsee se, että “timantit” ja “konfliktit” eivät ole allekkain, vaikka niissä on molemmissa symbolina pallo. Se olisi näyttänyt paremmalta, jos “öljy” olisi ollut alimmaisena. Samoin mietin värivalintaani Afrikalle: ihankuin koko manner olisi hiekkaa. Eihän se ole, vaan hyvin suuri alue on sademetsää. Pohdinkin, olenko alitajuntaisesti antanut minuun upotettujen mielikuvien Afrikan savanneista vaikuttaa värivalintaani. Ja nyt, kun olen tehnyt kartasta hiekanvärisen, vahvistanko minä itse mahdollisia vääränlaisia mielikuvia muiden päissä??? Olisin voinut valita väriksi esimerkiksi lilan, jolloin väriin ei yhdistyisi mielleyhtymiä. Taas mieleen putkahtaa se, kuinka paljon kartantekijöillä on vastuuta ja valtaa sen suhteen, miten ihmiset maailman käsittävät! 

Suomen valuma-alueet ja tulvaindeksit

Kurssikerran toisessa, omatoimisessa tehtävässä teimme QGIS’illä koropleettikartan Suomen valuma-alueiden tulvaherkkyydestä (kuva 2). Tulvaherkkyyttä kuvataan valuma-alueiden tulvaindekseillä. Mitä tummempi sininen kartalla, sitä suurempi tulvaindeksi on eli sitä herkemmin alueella tulvii. Lisäksi kuvasin kartalle ympyrädiagrammien avulla maa- ja järvipinta-alan suhteen eri alueilla.  

Kuva 2. Suomen valuma-alueiden tulvaindeksit ja maa/järvipinta-alan suhde.

Tulvaindeksi on korkeinta Pohjois-Pohjanmaalla, Keski-Pohjanmaalla, Etelä-Pohjanmaalla, Pohjanmaalla, Varsinais-Suomessa ja Uudellamaalla. Lisäksi Lapissa Utsjoen ja osittain Inarin alueella tulvaindeksi on korkeampi kuin niitä ympäröivillä alueilla. Pohjanmaan eri alueiden ja eteläisen Suomen tulvaindeksiä voi selittää alueiden pienet korkeuserot. Kun maa on tasaista, vesi jää esimerkiksi lumien sulaessa seisomaan, ja syntyy tulvia. Vastaavasti Pohjois- ja Itä-Suomen alueiden pieni tulvaindeksi voisi selittyä niiden suuremmilla korkeuseroilla.  

Jotenkin ensimmäinen intuitiivinen ajatukseni oli, että jos on paljon järviä, olisi myös enemmän tulvia. Ajatuksessa ei kuitenkaan ole mitään järkevää pohjaa. Kartasta voidaankin huomata, että Pohjanmaan alueella, missä on paljon tulvia, ei ole juurikaan järviä. Sen sijaan Kaakkois-Suomessa, Hämeessä ja Keski-Suomessa on paljon järviä, ja tulvaindeksi on pieni. Uskon myös järvien paljouden selittyvän korkeuseroilla: eihän järviä voi syntyä, jos ei ole mitään, mihin vesi voisi kertyä.  

Tehtävä oli haastava, ja aivot olivat aika solmussa kurssikerran loppupuolella. Olen kuitenkin suhteellisen tyytyväinen lopputulokseen, etenkin valitsemiini väreihin. Piirakkakuvioiden kokoa olisi voinut muokata, sillä ne peittävät etenkin Varsinais-Suomen ja Uudenmaan alueelta tulvaindeksien väriluokkia tehokkaasti. Lisäksi olisin voinut ottaa pois järvien mustat ääriviivat, sillä ne hallitsevat kuvaa paljon.  

Päivän ajatus: GISSI on kivaa mutta aika vaikeeta.

Lähteet:

Lehtinen, J. 2024. Kurssikerta 3: Datan pyörittelyä. https://blogs.helsinki.fi/janella/

Niskanen, A. 2024. Kolmas kurssikerta. https://blogs.helsinki.fi/niskanau/

Mooooi!

Toisella kurssikerralla tutustuimme rajapintoihin, QGIS’in mittaustyökaluihin ja projektioihin. Haimme Tilastokeskuksen ja Väyläviraston rajapintojen kautta WFS (vektorimuotoiset) aineistot. Alkuun vain harjoittelimme datan lataamista ja käsittelyä QGIS’illä. Teimme muun muassa kartan Suomen teiden varsilla sijaitsevista vessoista, sekä rannikon majakoista. Rajapintojen käyttö ei ollut minulle entuudestaan tuttua, mutta se oli hyvin helppoa. OneDriveni on 92 % täynnä, joten stressaan jatkuvaa tiedostojen lataamista, sillä en halua ostaa lisää tilaa!! Oli kiva, että rajapinnan kautta aineiston sai tuotua QGIS’iin vain laittamalla sen URL-osoitteen hakukenttään. 

Opettelimme mittaustyökalujen käyttämistä Tilastokeskuksen Suomen kunta-aineistolla vuodelta 2021. Mittasimme ensin ETRSTM35FIN projektiosta valitsemamme linjan pituuden ja alueen pinta-alan (Kuva 1 & 2). Vaihdoimme projektioita, ja kokosimme Exceliin tiedot eri projektioilla saaduista pituuksista ja pinta-aloista (Taulukko 1).

Kuva 1. linjamittaustyökalu ja mittaamani jana. Kuvassa ETRSTM35FIN projektio.

Kuva 2. Pinta-alamittaustyökalu ja mittaamani alue. Kuvassa ETRSTM35FIN projektio.

Taulukko 1. Robinsonin, Patterssonin, Behrmannin, World Winkel 1 ja Times -projektioiden erot ETRSTM35FIN projektioon.

Hämmästyin, sillä ainoastaan yhden projektion, World Winkel 1, linjan pituudessa ja alueen pinta-alassa oli eroa verrattuna ETRSTM35FIN projektioon. Tarkastelin pituuksia ja pinta-aloja Ellipsoidal-muodossa, mutta olisi pitänyt tajuta vaihtaa tasopinta (Cartesian), ja kirjoittaa silläkin saadut tulokset ylös Exceliin. Tällöin olisin saanut huomattavia eroja, kuten esimerkiksi Heikki Säntin blogista voidaan Toinen kurssikerta Taulukko 1. nähdä. Tajusin asian tunnilla turhan myöhään, ja ehdimme jo siirtyä seuraavaan tehtävään. Opin kuitenkin mittaustyökalujen käytön hyvin, ja muutenkin QGIS’in käyttö tuntui ensimmäistä kurssikertaa sujuvammalta.  

Projektioiden erojen visualisointi

Visualisoimme ETRSTM35FIN projektion eroja omavalintaisiin projektioihin. Valitsin vertailuun Robinsonin (Kuva 3), Patterssonin (Kuva 4) ja Behrmannin (Kuva 5) projektiot. Kuvissa on näkyvillä Suomen kunta-aineisto vuodelta 2021 ETRSTM35FIN projektiolla. Värit kertovat siitä, miten paljon vertailussa ollut projektio vääristää kuntien pinta-aloja. Punaiset alueet ovat eniten vääristyneitä, siniset vähiten. Legendasta voidaan havaita eri värein kuvatut pinta-alakertoimet.  

Kuva 3. ETRSTM35FIN vs. Robinson.

Robinsonin (Kuva 3) projektiota verrattaessa ETRSTM35FIN projektioon, voidaan havaita, että pinta-alat ovat suurimpia Pohjois-Suomessa. Mitä pohjoisemmaksi mennään, sitä enemmän Robinson venyttää alueita. Erot ETRSTM35FIN projektioon eivät kuitenkaan ole kovin suuria; punaiset alueet ovat noin 1,36–1,42 kertaa suurempia kuin ETRSTM35FIN projektiossa. Robinsonin projektiossa on otettu huomioon sekä kartan kohteiden muodot että pinta-alat (ESRI) Kummatkin ovat siis vääristyneitä, mutta vääristymistä huolimatta muodot ja kokosuhteet ovat hyvin hahmotettavissa.  

 

Kuva 4. ETRSTM35FIN vs. Pattersson.

Patterssonin (Kuva 4) projektion muodostama väritys näyttää hyvin samalta kuin Robinsonin. Erot ovat kuitenkin paljon suurempia verrattaessa alueita ETRSTM35FIN projektioon, kun katsotaan legendassa olevia kertoimia. Tämä kertoo siitä, että Pattersonin projektiossa Suomi on kuvattu maailmankartalla suurempana kuin Robinsonin projektiossa. Patterssonin projektio on lieriöprojektio, jossa sekä pinta-alat että muodot vääristyvät (ESRI). 

Kuva 5. ETRSTM35FIN vs. Behrmann. 

Mielenkiintoisin vertailuista oli ehdottomasti ETRSTM35FIN vs. Behrmann. Värit ovat aivan erilaiset verrattuna muihin karttoihin (myös siihen extrakarttaan, joka ei päässyt tähän postaukseen, sillä tunnilla meni hermot ja poistin sen). Behrmann on oikeapintainen projektio, eli kartan kohteiden pinta-alat ovat totuudenmukaisia (ESRI). Tämä kuitenkin johtaa siihen, että napa-alueet ovat hyvin litistyneet. Kartassa on siksi keskellä eniten pinta-alavääristymää; napa-alueiden litistyessä Suomi venyy Itä-Länsi-suunnassa. Legendasta voidaan kuitenkin huomata, että vääristymät eivät ole suuria. Tämän uskon johtuvan siitä, että kun projektio on oikeapintainen, ei pinta-alassa pitäisi vääristymisiä juuri olla.

Tehtävän teko tuntui helpolta, ja kaikki sujui hyvin siihen saakka, kunnes tuntia oli jäljellä noin 20 minuuttia. Olin kasannut kaikki kolme karttaa yhteen tulostusikkunaan, tehnyt niille legendat ja ainoastaan pohjoisnuoli ja mittakaava puuttui. Ajattelin, että olen tehnyt kaiken niin nopeasti, että otan vertailuun vielä yhden projektion. Ei olis pitäny 8) Extrakartan tehtyäni koitin lisätä sitä samaan tulostusikkunaan muiden kanssa, mutta lisäys ei onnistunutkaan halutusti. Kaikki kolme aikaisempaa karttaani muuttuivat extrakartan värisiksi, enkä saanut niitä enää palautettua alkuperäiseen muotoonsa. Jouduin tekemään kaikki kartat uudelleen ja lisäämään ne erillisiin tulostusikkunoihin, jotta värit eivät sekoittuisi. Lopulta onnistuin, ja olin istunut luokassa lähes 45 minuuttia yliaikaa.  

Jälkikäteen ajateltuna lopputunnin häsellys oli opettavainen, sillä enpä tee enää samoja virheitä!

Lähteet: 

ESRI. ArcGIS Pro. Behrmann. https://pro.arcgis.com/en/pro-app/3.1/help/mapping/properties/behrmann.htm 

ESRI. ArcGIS Pro. Pattersson. https://pro.arcgis.com/en/pro-app/3.1/help/mapping/properties/patterson.htm 

ESRI. ArcGIS Pro. Robinson. https://pro.arcgis.com/en/pro-app/3.1/help/mapping/properties/robinson.htm 

Säntti, H. 2024. Toinen kurssikerta. https://blogs.helsinki.fi/hksantti/