Matkailua ja maakuntia

Tällä kurssikerralla saimme tehdä kartan/karttoja itse valitsemastamme aiheesta ja alueesta. Kartassa tuli olla esitettynä vähintään kaksi muuttujaa. Valitsin omaksi aiheekseni matkailun tarkastelun, sillä Suomen eettisen matkailun tutkiminen ja edistäminen ovat aina kiinnostaneet minua, ja sillä saralla toivonkin työllistyväni joskus.

Ulkomaiset matkailijat

Matkailualalla on tärkeää tietää, mistä päin maailmaa turistit tulevat, jotta heitä voitaisiin palvella mahdollisimman hyvin, kenties jopa heidän omalla kielellään, sekä samalla tuntien asiakkaiden kulttuurin, jotta osataan varautua mahdollisiin kulttuurisiin yhteentörmäyksiin. Hain Visit Finlandin Rudolf -palvelusta tietoa saapuneista matkustajista vuodelta 2019 ennen koronaa, joka mielestäni kuvaa parhaiten normaali tilannetta matkailussa Suomessa.

Taulukosta voi huomata, että Venäjältä, Ruotsista ja Saksasta saapuu eniten matkustajia Suomeen, eli tyypillisesti naapurimaista tai lähimaista. Mutta miten nämä luvut ovat muuttuneet aikojen saatossa, entä kuinka hyvin Suomi on onnistunut markkinoimaan itseään maailmalle esimerkiksi 10 vuoden aikana?
Tätä varten hain Visit Finlandin sivuilta tiedot matkustusluvuista vuodelta 2009 ja vertasin niitä vuoteen 2019.

Kuva 1. Saapuneet vapaa-ajan matkustajat maittain ja niiden prosentuaalinen muutos 10 vuoden aikana. Visit Finland.

Kartasta (kuva 1) voidaan huomata, että Venäjältä, Tansaniasta, Nigeriasta, sekä Sierra Leonesta matkustusmäärät ovat tippuneet. Lisäksi taulukossa mainittiin Liechtenstein, joka näkyy todella pienenä punaisena läikkänä kartalla. Euroopasta matkustusmäärät ovat hiukan kasvaneet, sekä Kanadasta. Runsaasti kasvua on tapahtunut Amerikoista, sekä erityisesti Aasiasta. Täytyy myöntää, että erityisesti Malesia ja Indonesia yllättivät minut täysin, sillä kasvu on suorastaan räjähtänyt Kaakkois-Aasiasta. Myös Kiinasta, Intiasta ja Kazakstanista on matkustus Suomeen lisääntynyt voimakkaasti 10 vuodessa.
Luokittelua oli tässä kartassa hankala tehdä, sillä kartassa täytyi näkyä myös miinusluvut. Lisäksi oli vaikeaa päättää, kuinka isoksi tekisin luokkaerottelut, jotta kartta olisi samaan aikaan sekä informatiivinen, että helposti luettavissa. Loppujen lopuksi olisin voinut lisätä ehkä muutaman luokan lisää, mutta enempää ei, jottei väriskaalan tulkitseminen menisi liian sekavaksi. Mielestäni idean kartasta saa ihan riittävän hyvin.

Matkailun tunnuslukuja maittain

Seuraavaksi halusin tulkita Suomen matkailun avainlukuja maakunnittain, jotta selviäisi mihin ihmiset oikein Suomessa matkustavat. Tilastotietoa oli helppo saada Rudolf palvelusta maakuntien taloudelliselta puolelta, mutta syitä, miksi ihmiset oikein matkustavat ja minne, oli vaikeampi saada kasaan. Selvennykseksi tein aluksi yhden kartan maakuntien nimistöstä, jotta Suomen maakunta -karttoja olisi helpompi tulkita.

Kuva 2. Suomen maakunnat.

Halusin karttaan (kuva 2) laittaa revontulia muistuttavan taustan, koska siitä on tehty ikään kuin yksi Suomelle tyypillisistä matkailuvalteista.

Seuraavaksi tarkastelin, miten matkailu näkyy maakunnan saaduissa tuloissa, ja millainen painoarvo matkailulla on maakunnan talouteen. Tunnilla jouduin pohtimaan ihan opettajan kanssa, mistä löytäisin sellaista tietoa ja millaiseen BKT:hen sitä vertailisin. Lopulta löysin samantyyppisen kartan työ -ja elinkeinoministeriöltä, jossa he olivat vertailleet matkailuarvonlisäyksen osuutta perushintaisesta BKT:stä. Tilaston löysin suht valmiina jälleen kerran loistavasta Rudolf -palvelusta.

Kuva 3. Matkailuarvonlisäyksen osuus perushintaisesta BKT:stä (työnantajan kulut mukana), sekä kotimaisten ja ulkomaisten osuudet kokonaiskysynnästä maakunnittain 2019. Visit Finland. 

Tämän kartan kanssa saikin painia vähän aikaa. Aluksi yhdistin ”dissolve” toiminnolla maakunnat yhdeksi, jotta saaret otettaisiin myös mukaan kuvioihin. Tämän jälkeen lisäsin ”joins” toiminnolla BKT arvonlisäystaulukon. Joins toiminnon kanssa sai painia ikuisuuden, eivätkä tiedot meinanneet millään suostua tulemaan maakunta -tasoon. Jostain syystä kotiläppärini ei suostu jättämään Joins toiminnolla viimeistä kohtaa tyhjäksi.  Lopulta tajusin, että ohjelma halusi antaa niille etuliitenimet, sillä sarakkeiden nimet olivat identtiset. Tässä loppuvaiheessakin voi siis oppia vielä paljon.
Kartasta (kuva 3) voi nähdä, kuten arvata saattoi Lappi, joka keikkuu kärkisijoilla Uudenmaan lisäksi. Yllättäjänä olivat Etelä-Savo ja Etelä-Karjala, joiden en osannut olettaa muodostavan noin suurta osuutta.
Karttaan lisäsin myös diagrammit siitä, miten kokonaiskysyntä jakautuu maakunnittain kotimaisten ja ulkomaisten matkailijoiden kesken. Tässäkin Etelä-Karjala oli yllättävä ulkomaisen kysynnän suuruudella. Itse epäilen, että venäläiset voisivat mahdollisesti aiheuttaa ulkomaisten matkailijoiden suuren osuuden diagrammissa, sillä alueelle on rakennettu muutama outlet -alue juuri venäläisiä matkailijoita varten.
Ahvenanmaa ei valitettavasti näy kunnolla tässä kartassa (kuva 3), sillä se jää oman alueensa diagrammin alle. Ahvenanmaan maakunta kuului ainoana maakuntana viimeiseen luokkaan, eli siellä matkailun osuus BKT:stä on jopa 20 %.

Seuraavaksi halusin tarkastella, miten matkailuala vaikuttaa alueittain työllisyyteen ja missä matkailualalla työskennellään.

Kuva 4. Matkailutyövoiman osuus kaikista työllisistä % ja matkailutoimialat Suomessa. Visit Finland ja Työ- ja elinkeinoministeriö.  

Tähän karttaan (kuva 4) sain iskettyä matkailualalla työskentelevien osuuden kaikista työllisistä.
Ahvenanmaalla työskentelee jopa yli 20 % matkailualalla kaikista työllisistä eli joka viides työntekijä.  Lappi, Uusimaa, sekä Etelä-Karjala ylsivät myös korkealle tilastossa.
Tähän karttaan olisin halunnut tuoda jokaiseen maakuntaan oman diagrammin siitä, miten matkailutoimialat jakautuvat maakunnittain, mutta siihen en ensi hätään löytänyt tilastoja, joten nyt täytyy tyytyä näyttämään työllisyysdiagrammi koko Suomen osalta. Olen silti ihan tyytyväinen karttaan.

Matkailuala on ollut Covid-19 takia lähes täysin seis, mutta tulevaisuudessa koronan hellittäessä otettaan matkailu tulee kasvamaan entisestään. Siitä kertovat hetket, kun koronarajoituksia on nostettu kesäisin pois ja Finnairin lentokoneet ovat täyttyneet ääriään myöten täyteen. Tulevaisuudessa myös lähimatkailu lisääntyy ja junalla pääsee mukavasti kierrellen pitkin Suomea. Uudet sukupolvet ovat näyttäneet, että arvojärjestyksessä kokemukset ja uusien paikkojen tutkiminen ovat nousseet korkealle arvojärjestyksessä, ja tähän tarpeeseen matkailu vastaa hyvin.
Suomen on tärkeää panostaa ekologiseen ja eettiseen matkailuun, jotta myös tulevaisuudessa meillä on käytössämme puhtaat metsät, järvet ja luonto. Lisäksi Lapin matkailuun tulee kiinnittää erityistä huomiota saamelaisten alueen vuoksi, jottei matkailulla luoda haitallisia vaikutuksia paikallisen vähemmistön elämään.
Tulevaisuudessa myös ongelmat Venäjän kanssa tulevat vaikuttamaan Suomen matkailumääriin. Sota Ukrainassa on hirveä tragedia, jonka vuoksi Venäjä on kohdannut monia taloudellisia pakotteita. Pakotteet ovat näkyneet jo 10 vuoden ajan venäläisten matkaajien määrän laskussa, ja määrät tulevat todennäköisesti jatkumaan laskusuunnassa tilanteen eskaloitumisen vuoksi. Venäläiset ovat perinteisesti olleet Suomen suurin turistiryhmä, joten Suomen tulee tulevaisuudessa pohtia tarkasti, minne markkinointi kannattaa suunnata, ja mistäpäin tulevaisuuden turistit Suomeen matkaavat.

Lähdeluettelo

Business Finland. (2019). Visit Finland. Noudettu osoitteesta Tilastotietokanta Rudolf: http://visitfinland.stat.fi/PXWeb/pxweb/fi/VisitFinland

Työ- ja elinkeinoministeriö. (2019). Matkailualan julkaisut. Noudettu osoitteesta https://tem.fi/toimialapalvelu/matkailuala

 

Interpolointia ja hasardeja

Kumpulassa ja maailmalla

Kuudennella kurssikerralla aloitimme oppitunnin lumimyrskyssä tarpomisella merkiten Epicollect5 -sovelluksella pisteitä maastossa, jossa tärkeimpänä varusteena olisi ollut laskettelulasit suojana kirvelevältä lumelta.
Sovelluksen avulla saimme kerättyä dataa siitä, miten kaupungin käyttäjinä koimme Kumpulan ympäristön esimerkiksi turvallisuuden ja viihtyvyyden kannalta. Tämän jälkeen opimme tuottamaan pistemuotoista aineistoa kartalle, jossa hyödynsimme keräämäämme dataa. Lopuksi itsenäistehtävässä jäi tehtäväksi pistemuotoisen aineiston tuottaminen hasardien muodossa, jossa tarkastelin tulivuorten, maanjäristysten sekä litosfäärilaattojen yhteyttä, joita voisi hyödyntää opetuksessa.

Interpolointia Helsingissä

Epicollect5 -sovelluksen avulla jokainen kurssilainen keräsi sijaintitietoon sidottua dataa Kumpulan -ja sen lähialueilta pistemäisessä muodossa. Pisteet yhdistettiin yhdeksi aineistoksi, jonka tarkoituksena oli arvioida alueen turvallisuutta ja viihtyisyyttä. Lopuksi aineistosta tuotettiin interpoloimalla kartta, jonka avulla pystyi tarkastelemaan oppilaiden näkemyksiä esimerkiksi kohteiden turvallisuudesta Kumpulasta ja sen lähialueista. Mitä punaisempi alue oli, sen turvattomammaksi käyttäjä sen oli kokenut. Sininen väri ilmaisi kohteen koetusta turvallisuudesta.

Kuva 1. Interpolointia Kumpulassa ja sen lähialueilla. QGIS.

 

Maanjäristyksiä ja tulivuoria

Seuraavaksi tarkastelimme hasardien esiintyvyyttä ja yhteyttä maailman kartalla, jota voisi hyödyntää myöhemmin opetuskäytössä. Tarkoituksena oli oppia muokkaamaan internetistä dataa sellaiseen muotoon, jotta se voidaan sijoittaa suoraan kartalle. Harjoitusta varten hyödynsin Moodlesta löytyviä linkkejä NOOA:n ja USGS:n sivuille, joiden avulla sain sijoitettua maailman kartalle tietoa maanjäristyksistä ja tulivuorista. Maailmankartta oli haettu Natural Earth -sivustolta.
Ensimmäiseksi toteutin interpoloinnin magnitudin 6,5 -9 maanjäristyksistä maailmalla vuosien 2019 – 2022 välillä.

Maanjäristysten interpolointia

Kuva 2. Magnitudin 6,5 – 9 maanjäristysten esiintyminen kartalla vuosien 2019 – 2022 välisenä aikana. QGIS.

Mielestäni kartta näyttää informaatioarvoltaan ihan hyvältä. Interpolointi on kätevä työkalu pisteaineiston tarkempaan havainnollistamiseen ja auttaa aineiston visuaalisessa tulkinnassa. Erityisesti Tyynenmeren tulirengas erottuu interpoloinnilla nauhamaisesti lukuisina pisterykelminä. Legendassa jäi hieman häiritsemään kummalliset lukuarvot, joten onnistuneemman kartan olisin saanut selkeyttämällä luokittelun tasalukuihin.

Halusin pohtia näiden yhteyttä litosfäärilaattojen reunoihin sijoittumisella. Siksi päätin hakea litosfäärilaattojen reunat karttoihin ja sellaisen sain viimeinkin löydettyä ArcGIS Hubista nimellä ”platonic boundaries” shapefile -muodossa. Liitin laattareunat seuraaviin karttoihin, jotta seismisiä ilmiöitä ja niiden yhteyksiä laattojen reunoihin voisi tarkastella paremmin.

Maanjäristysten voimakkuuksien vertailua

Kuva 3. Maanjäristysten luokittelua voimakkuuden mukaan, sekä niiden esiintyminen maailman kartalla yhden vuoden ajan (2021 – 2022). QGIS.

Kartassa (kuva 3) on nähtävissä selkeää yhteyttä tapahtuneiden maanjäristysten ja litosfäärilaattojen läheisyydessä. Voimakkaimmat maanjäristykset näkyisivät painottuvan Tyynenmeren tulirenkaan mukaisesti, ja ottaen huomioon sen, että kaikki järistykset ovat sattuneet yhden vuoden aikana, saa alueella todella tottua jatkuvaan jyrinään. Valitsin tähden merkin kuvaamaan maanjäristyksiä, sillä se mielestäni kuvaa hyvin tapahtunutta ilmiötä kartalla kuvainnollisesti. Lisäksi olen huomannut joissain lasten kartoissa käytettävän samantyylistä merkkiä havainnollistamaan maanjäristyksiä.

Tulivuorten sijoittumista laattoihin

Kuva 4. Tulivuorten sijoittuminen kartalla. QGIS.

Valitsin kolmion merkin kuvaamaan tulivuoria, sillä mielikuvissa räjähtävät tulivuoret ovat yleisesti kartiomaisen mallisia.
Tässä kartassa (kuva 4) ei voi olla huomaamatta tulivuorten sijoittumista litosfäärilaattojen mukaisesti. Tässäkin kartassa tulirengas erottuu selvästi siellä, missä tulivuoret ovat sijoittuneet tiheimmin vierekkäin.
Tulivuoria ei kuitenkaan  juurikaan esiinny sivuuttavien laattojen rajalla, mutta niitä saattaa esiintyä merenpohjassa, jolloin niistä on löydettävissä  puutteellisesti tietoa, kuten Ali Ylikoski blogissaan pohtii.

Purkausten ja järistysten spatiaalisia yhteyksiä

Kuva 5. Tuhoisien tulivuorten purkausten ja voimakkaiden maanjäristysten (v. 2019 – 2022) esiintyminen maailman kartalla. QGIS.

Kartassa (kuva 5) on kuvattu tuhoisien tulivuorten purkauksia ja voimakkaita maanjäristysten sijoittumista maailman kartalla. Tuhoisaksi tulivuoren purkaukseksi lasketaan purkaus silloin, kun purkaus täyttää yhden seuraavista kriteereistä: aiheutuneet kuolemat, aiheutuneet tuhot (väh. 1 milj. $ tai enemmän), vulkaaninen räjähtävyys indeksi (VEI) 6 tai enemmän, aiheutti tsunamin tai oli yhteydessä voimakkaaseen maanjäristykseen (NOAA). Otin tarkasteltavaksi purkaukset, jotka olivat aiheuttaneet tuhoissa vähintään 1 milj. $ vahingot, sekä maanjäristykset, jotka ovat magnitudiltaan olleet yli 6,5.  Molemmat ilmiöt sijoittuvat erityisesti Jaavan alueelle, sekä Väli-Amerikkaan, jossa näkyy voimakas tapahtumaketju molempia ilmiöitä.
Janne Turunen on myös etsinyt havainnollistavan kuvan 6,9 magnitudin järistyksestä, joka kuvaa hyvin sitä, miten voimakas vaikutus korkeilla lukemilla on teihin ja rakennuksiin,
Karttoihin en mittakaavaa lisännyt teknisten vaikeuksien takia, mutta ilmeisesti myös muilla tuntui olevan haasteita sen kanssa. Eemil Sillankorva blogissaan kertoo myös jättäneen mittakaavan pois, mutta toteaa sen sallittavaksi siksi, koska kyseessä on täysi maailmankartta.

Tuottamani kartat sopisivat hyvin hasardi- ja luonnonmaantieteen opetukseen. Voimakkaat maanjäristykset ja tulivuorenpurkaukset ovat tuhoisia paitsi infrastruktuurille, jotka aiheuttavat miljardien eurojen menetyksiä, myös ihmisille aiheuttaen paljon kuolonuhreja. Jos opettaisin tästä aiheesta, haluaisin keskittyä erityisesti siihen, missä kyseisiä hasardeja tapahtuu ja mitä seurauksia näistä hasardeista on ihmisille erityisesti tiiviisti asutetuilla alueilla. On tärkeää ymmärtää erilaisten seismisten ilmiöiden esiintyvyyttä litosfäärilaattojen saumakohdissa, sillä ne vaikuttavat olennaisesti ihmisten elämään maapallolla, ja siihen, millaista infrastruktuuria kannattaa näille alueille rakentaa.

Kuva 6. National Geographyn kuvaus Tulikehästä.

Lähdeluettelo

NOAA. National Centers For Environmental Information. Noudettu osoitteesta https://www.ngdc.noaa.gov/hazel/view/hazards/volcano/event-search

USGS. Yhdysvaltain geologian tutkimuskeskus. Noudettu osoitteesta https://earthquake.usgs.gov/earthquakes/search/

National Geography. Plate Tectonics and the Ring of Fire. Noudettu osoitteesta https://www.nationalgeographic.org/article/plate-tectonics-ring-fire/

Sillankorva, E. (24. Helmikuu 2022). EEMILIN MANTSABLOGI. Noudettu osoitteesta https://blogs.helsinki.fi/sillanko/2022/02/24/kk6-etelanmatka-ja-opetuskarttoja/

Ylikoski, A. (24. Helmikuu 2022). ALIN GEOINFORMATIIKKABLOGI. Noudettu osoitteesta https://blogs.helsinki.fi/alingeoinformatiikka/2022/02/24/kurssikerta-6-saan-aari-ilmioita-ja-maanjaristyksia/

Turunen, J. (22. Helmikuu 2022). GEOINFORMATIIKAN MYSTISET MENETELMÄT. Noudettu osoitteesta https://blogs.helsinki.fi/janneturunen/2022/02/22/lumimyrskyja-ja-maanjaristyksia/

 

Bufferointeja ja clippailua

Viidennellä kurssikerralla tavoitteena oli QGIS:n piirtotyökalujen ja -logiikan tutuksi tuleminen, kohteiden avulla laskeminen, bufferointitoiminnon hyötykäyttöä etäisyyksien ja lukumäärien laskemisessa sekä lyhyimmän etäisyyden määrittämistä.

Bufferointia Pornaisissa

Bufferointi eli puskurointi on spatiaalinen operaatio, jonka avulla voidaan määritellä halutun kokoinen vyöhyke aineiston kohteille. Tehdyllä puskurilla voidaan laskea esimerkiksi, kuinka monta pistettä jää vyöhykkeen sisäpuolelle. Puskuroinnin kohteena on tietokanta-aineisto ja siihen sisältyvät karttakohteet, jotka voivat olla viivoja, pisteitä ja alueita. Tehtävässä tarkastelin kahden kohteen, terveyskeskuksen ja alueen teiden vyöhykkeitä ja niiden sisälle jäävää aineistoa.

Kuva 1. Pornaisten pääteiden puskurivyöhyke. QGIS.

Ensimmäisessä kartassa (kuva 1) tarkastelin teiden puskurointivyöhykettä, ja niiden sisälle jääviä taloja. Tässä tehtävässä oli tarkoitus tarkastella 100 m säteellä alueen pääteistä olevia asuinrakennuksia ja niissä asuvia ihmisiä.
Koko alueella asukkaita arvioitiin olevan noin 1667 ja vyöhykkeen sisälle jääviä asukkaita oli arviolta 320.
Mieleeni tuli heti, miten tällaista voitaisiin käyttää esimerkiksi julkisen liikenteen tukena suunniteltaessa uusia bussi -ja pikaratikkalinjoja niin, että tarkastellaan kuinka monta ihmistä tuleva linjayhteys voisi tavoittaa.

Kuva 2. Terveysaseman puskurointivyöhyke Pornaisissa. QGIS.

Seuraavassa kartassa (kuva 2) tarkastelin terveysaseman lähellä (500m) olevia asukkaita. Koko alueella asukkaita oli arviolta 1667 ja puskurointivyöhykkeen sisäpuolelle jääviä asukkaita noin 464. Tällaista puskurointivyöhykkeen käyttöä voisin ajatella toteutettavan esimerkiksi Helsingissä suunniteltaessa uusia jättiterveyskeskuksia ja niiden mahdollista sijaintia. Uudet terveys -ja hyvinvointikeskukset  tulevat tulevaisuudessa korvaamaan paikalliset pienet terveyskeskukset (Helsingin Uutiset, 2020).

Lentokenttiä, melusaastetta ja koulupiirejä

Seuraavassa tehtävässä oli tarkoitus käyttää omaa päätä ja kertailla oppimaansa QGIS:ssä. Tarkastelimme tehtävissä esimerkiksi sitä, kuinka suuri lentomelualue on Malmin ja Helsinki-Vantaan lentokenttien ympäristöissä. Ali Ylikoski on blogissaan pohtinut sitä miten lentomeluun vaikuttavat lukuisat tekijät, eikä pelkästään etäisyys:

“Malmin lentokentän kohdalla lentomelua tarkasteltiin puhtaasti etäisyyteen perustuvilla puskureilla, mutta tosiasiassa lentomelun vaikutusalueeseen vaikuttavat maastonmuodot, sääolosuhteet ja etenkin lentokoneiden nousu- ja laskeutumissuunnat.”

Malmin lentokenttä on tähän vuoteen mennessä jo lakkautettu ja alueelle aiotaankin rakentaa asuntoja tuhansille ihmisille.  Puskurointityökalu tuleekin varmasti käyttöön liikenteen asiantuntijoille, joiden tehtäväksi jää suunnitella, miten tulevaisuuden asukkaat saadaan mahtumaan aamuisin ruuhka-aikana lähijuniin pääradalla, jotka olivat ennen koronaa jo valmiiksi niin täynnä, ettei Oulunkylän kohdalla mahtunut enää mukaan. Kyllä, puhun kokemuksesta.
Alueelle onkin suunniteltu pikaratikkaa, joka jatkuisi keskustaan saakka, jolla matkustajamassoja saataisiin paremmin ja jouhevammin liikuteltua.

Tein tehtävät kurssikavereiden kanssa, jolloin tuloksia saatiin paljon nopeammin, kuin jos olisi yksin joutunut väkertämään. Nopeasti huomasimme, että lähes jokaisessa tehtävässä sai veivailla samojen työkalujen kanssa: clip, select by location ja statistics:n “selected features only” täpän kanssa. Lisäksi pistimme merkille, että jokainen meistä sai hiukan eri määrän puskurointivaiheessa vyöhykkeen sisäpuolella olevasta asukasmäärästä. Tämä johtui siitä, että viivoja/alueita piirtäessä ei uusi tehty aineisto ollut täysin samankokoinen, sillä viivat/alueet piirrettiin puskurointivaihetta ennen vapaalla kädellä. Tulokset olivat silti jokaisella meistä muutaman asukkaan heittoja.
Prosenttilaskujakin päästiin laskemaan määrien lisäksi. Tiedot vastauksista kokosin taulukkoon, jotta edes jotain todistetta olisi niistä.

Taulukko 1.  Itsenäistehtävien 1 ja 3 vastaukset. QGIS ja Excel.

Tehtäviä tehdessä tehtäväprosessi alkoi selkeytymään ja kun ymmärsi, mitä mikin työkalu tekee, alkoivat tehtävät soljua eteenpäin.

Lähdeluettelo

Helsingin Uutiset. (25. 10 2020). Helsinki sulkee lähivuosina 10 pientä terveysasemaa – Palvelut siirtyvät terveys- ja hyvinvointikeskuksiin. Jompero-Lohikoski, S. https://www.helsinginuutiset.fi/paikalliset/3141973.

Ylikoski, A. (23. Helmikuu 2022). Alin geoinformatiikkablogi. Noudettu osoitteesta Kurssikerta 5: Lentomelua ja bufferointia: https://blogs.helsinki.fi/alingeoinformatiikka/2022/02/23/kurssikerta-5-lentomelua-ja-bufferointia/

 

Ruutuja ja pisteitä

Tällä kurssikerralla harjoittelimme ruutukarttojen tekoa ja uuden tiedon tuottamista tietokantaan maantieteellisiä kohteita hyödyntämällä, sekä rasteriaineistojen kanssa operoimista. Tutustuimme myös pistemuotoisiin aineistoihin, sekä piirtämiseen QGIS:ssä rasterikartan avulla.

Ruudukon tekoa

Edellisillä kerroilla olemme tunneilla harjoitelleet lähinnä koropleettikarttojen esittämistä. Yksi tapa esittää tietoa on myös ruuduista koostuva tietokanta, jonka avulla kerättyä tietoa voi visualisoida tavallisena teemakarttana.
Ensimmäiseksi loimme QGIS:ssä ruudukon, jossa jokainen ruutu oli saman- ja halutun kokoinen. Kartassa ruudut edustavat neliökilometrin  kokoista aluetta. Ruudukon tekeminen oli helppoa, ainoa missä piti olla tarkkana, oli oikean ruudun koon valitseminen, jotta sain ne esitettyä neliökilometrin kokoisena.

 

Kuva 1. Kartassa esitettynä pisteaineisto ruudukon päällä ennen tietokannan yhdistämistä. Tuotu QGIS ohjelmasta.

Ruudukosta syntyy samanlainen tietokanta kuin mistä tahansa vektoritietokannasta, joten valmista ruudukkoa voi käyttää sekä tiedon keräämiseen että sen esittämiseen.

Halusin tällä kurssikerralla esittää nuorten (18 – 25v.) asuinpaikan sijoittumisen pääkaupunkiseudun alueella. Kuvassa 1 on tilanne, jossa väkimäärän tilastoa ei oltu vielä yhdistetty tekemääni ruudukkoon. Tilanteen jälkeen tallensin ruudukon omana tasonaan, jonka jälkeen tallensin väkimäärän aineiston myös omana tasonaan.
Valitsin tallennettavaksi “asyht” nimisen sarakkeen, johon sisältyi kaikki asukkaat alueella, sekä ikävuodet 18 – 25. Aineistossa jokainen ikäsarake vuodesta 0 vuoteen 25 oli merkitty erikseen, joten jotta sain vertailtua koko väestömäärää tuohon ryhmään, tuli minun yhdistää kyseiset ikävuodet (18 – 25), ja luoda uusi sarake, joka sisälsi uudet yhteenlasketut tiedot.

Ruutukarttojen vertailua

Kuvasta 2 on lopputulos, jossa esitän nuorten väestön absoluuttisen lukumäärän pääkaupunkiseudulla. Mielestäni kartta onnistui hyvin, ja esittää asiansa selkeästi. Kartasta on nähtävissä, mihin osiin pääkaupunkiseutua nuoret keskittyvät, mutta kartasta ei erityisemmin nähdä syitä, miksi asia on näin. Eemil Sillankorva blogissaan on tuonut karttaansa (kuva 1) juna-asemien ja metroasemien aineiston, joiden avulla hän on tulkinnut asuttujen rakennusten iän yhteyttä asemien läheisyyteen, jolloin Sillankorva on pystynyt tarkemmin tulkitsemaan asuinrakennusten yhteyttä niiden rakennusikään .
Omaan karttaani olisin voinut tehdä saman ja  lisätä juna-asemat, metroasemat, sekä korkeakoulujen kampukset, jotta karttaa katsomalla voisi entistä tarkemmin tulkita, millainen yhteys kouluilla ja hyvillä liikenneyhteyksillä on nuorten sijoittumiseen kartalla.

Kuva 2. Nuorten (18-25v.) väestön osuus kokonaisasukasmäärästä. Aineisto vuodelta 2015. Tuotu QGIS ohjelmasta.

Ruudukoissa saamme esittää absoluuttisia arvoja siksi, koska ruudut ovat samankokoisia. Jos esimerkiksi koropleettikartoissa näyttäisimme absoluuttisia arvoja, pienemmät kunnat pinta-alaltaan olisivat vähemmän relevantin näköisiä, vaikka niissä saattaisi esiintyä suurempi väentiheys ja enemmän palveluita. Koropleettikartta tulee siksi aina suhteuttaa muuttujaan.
Ruudukkokartoissa ruudut ovat samankokoisia, jolloin absoluuttisten arvojen esittäminen sallitaan. Se ei kuitenkaan tarkoita, että se olisi aina viisasta. Siksi myös koropleettikartat ovat hyödyllisiä välineitä, kunhan käyttää fiksusti toista muuttujaa rinnalla.

Kuva 3. Nuorten suhteellinen % osuus väestöstä pääkaupunkiseudulla. Aineisto vuodelta 2015. Tuotu QGIS ohjelmasta.

Toisessa kartassa (kuva 3) esitän nuorten suhteellisen väestön osuuden kokonaisasukasmäärästä. Suhteellisia lukuja varten laskin kokonaisväestön määrän jaettuna nuorten määrällä. Tämän jälkeen kerroin saadut luvut sadalla, ja iskin luvut kartalle kuvaavissa väreissä. Kartta on selkeästi hajautetumman näköinen, kuin esitettäessä absoluuttisia arvoja, sillä kartasta ei voi niin helposti päätellä, mitä asuinseutuja nuoret suosivat. Toisaalta, absoluuttinen kartta näyttää ne alueet, joissa on tiivistä asutusta nuorten suosimina alueina, vaikka suhteellisesti jollain harvaan asutummilla alueella saattaa muihin ikäluokkiin verrattuna olla moninkertaisesti nuoria, mutta määrällisesti absoluuttiset määrät jäävät pienemmiksi ja näin ollen huomaamatta edellisessä (kuva 2) kartassa. Esimerkkinä mainitsisin Kivistön ja Östersundomin, jotka pistävät erityisesti silmään kuvassa 3, mutta toisessa kuvassa molemmat ovat haalea häivähdys vaaleanpunaista.

Tässä yhteydessä absoluuttisten arvojen esittäminen toimii mielestäni paremmin, kuin suhteellisten arvojen, sillä kuvassa 2 tulee selkeämmin esiin nuorten suosimat asuinalueet, sekä korkeakoulujen sijoittuminen pääkaupunkiseudun alueella, joiden läheisyydessä nuoret asuvat.

 

Rasteriaineistosta johdetut korkeuskäyrät ja rinnevarjostukset

Seuraavaksi siirryimme rasteriaineistojen kanssa operointiin. Aineistona toimivat Pornaisten alueen peruskarttalehti, sekä neljässä palassa oleva korkeusmalli, joka sisälsi korkeusinformaatiota samalta alueelta. Korkeusmallia kuvaava rasteriaineisto yhdistettiin toisiinsa, jotta saimme lisättyä korkeuskäyrät karttalehdelle.

Ensimmäiseksi tarkastelin Paikkatietoikkunassa, miltä alue näyttää ortokuvana ja vertasin sitä tuottamaani karttaan Pornaisten alueelta vinovalovarjosteen eli rinnevarjostuksen kanssa.

 

Kuva 4 (vas) kuvakaappaus Paikkatietoikkunasta Pornaisten alueelta ortokuvana. Kuva 5 (oik) kuvakaappaus QGIS ohjelmasta samalta alueelta rinnevarjostuksella. 

Rinnevarjostus on yksi tapa esittää korkeusmallin informaatiota, sillä se luo kolmiulotteisen vaikutelman tarkasteltavasta alueesta. Valmiin korkeusmallin avulla tehtävä oli helppo ja nopea. Kuten ylläolevista kuvista näkee, pinnanmuodot tulevat paljon selkeämmin esille rinnevarjostuksen avulla. Rinnevarjostuksen avulla voidaan tulkita helpommin esimerkiksi jääkauden jälkeisiä muodostumia, kuten Eemil Sillankorva on blogissaan todennut. Hän on rinnevarjostuksen avulla pystynyt tulkitsemaan kartalta de Geer -moreeniselänteet, joita tavallisesta ilmakuvasta ei pystyisi havaita.

Seuraavaksi tarkastelin Paikkatietoikkunan maastokartan korkeuskäyriä verrattuna QGIS:llä tuottamiini korkeuskäyriin.

Kuva 6 (vas) kuvakaappaus Paikkatietoikkunasta, jossa esitettynä Pornaisten aluetta maastokartalla korkeuskäyrien kanssa. Kuva 7 (oik) kuvakaappaus QGIS esitettynä sama alue tuotettujen korkeuskäyrien kanssa. 

QGIS:n korkeuskäyrien väliksi laitoin 5 metriä, jotka ovatkin huomattavasti harvemmin kuin Paikkatietoikkunan vastaavassa. Käyrät ovat vasemman puoleisessa kartassa paljon tiheämmin, mutta ne ovat eritelty korkeuden mukaan, jolloin ne eivät ulkonäöllisesti ole samanlaisia. Esimerkiksi 5 metrin korkeuskäyrä on ohuempi kuin 10 metrin vastaava korkeuskäyrä.

Lopuksi kokeilin yhdistää karttaan korkeuskäyrät ja rinnevalovarjosteen, jotta näkisin, miten se vaikuttaa kartan luettavuuteen.

Kuva 8. Kuvakaappaus QGIS ohjelmasta rinnevalovarjosteen ja korkeuskäyrien kanssa. 

Mielestäni kartassa luettavuus on miellyttävämpi ja havainnollistavampi, kun mukaan on liitettynä rinnevalovarjoste.  Kartassa on ikäänkuin syvyyttä, jota tavallisilla korkeuskäyrillä on vaikeampi saada.

Viittaukset

Sillankorva, E. (9. Helmikuu 2022). Eemilin mantsa-blogi. Noudettu osoitteesta GIM 2022 seikkailut: https://blogs.helsinki.fi/sillanko/

 

 

 

Tietokantojen loputtomat yhdistelmät ja niiden työkalut

QGIS:n syvempi perehtyminen on alkanut ja tällä kerralla tehtiin jo astetta vaikeampia tuotoksia ohjelmiston avulla. Harjoittelimme ulkoisen tiedon liittämistä tietokantaan Excelistä, tietokantojen yhdistämistä ja uuden tiedon tuottamista olemassa olevaan tietokantaan vanhan tiedon avulla.

Taistelua aineistoliitosten kanssa

Tarkastelimme ensimmäiseksi Afrikan kartta-aineistoa ja siinä esiintyviä timantti -ja öljyesiintymiä, sekä konfliktien esiintyvyyttä mantereen alueella.
Harjoitus oli pitkä ja uuvuttava ja sisälsi paljon uutta tietoa. Itse koin hankalimmaksi aineistojen yhdistämisen ja tietokantojen liitokset, sillä työkaluja siihen tuntuu olevan loputon määrä.

Tutuksi tulivat tällä kertaa ainakin Dissolve, Aggregate ja Join.
Ensimmäiseksi kokeilimme kahta melko samanlaista työkalua, ”dissolve” ja ”aggregate”. Näiden molempien tehtävänä oli yhdistää aineistoa toisiinsa, jotta näistä syntyvää dataa voisi laskea ja hyödyntää tehokkaammin myöhemmin. Dissolve toiminnon nimi on melko hämäävä, ja unohtunee melko nopeasti, sillä nimi viittaisi alueiden purkamiseen eikä niinkään yhdistämiseen. Dissolve on toimintona kevyempi, kuin aggregate, joka ottaa dataa mukaansa yhdistäessään aineistoja. Molemmat ajavat itsessään saman asian, mutta vaativampaan ja eritellympään yhdistämiseen aggregate sopinee paremmin, sillä sen avulla voi laskea osien summia samalla kun yhdistää muuttujia.
Myöhemmin, kun yritin kotona yhdistää toiminnolla aineistoa, eli tässä tapauksessa maat toisiinsa, ja siistiä aineistoa, en tässä onnistunut. Sain joka kerta eri tulokset ja aineistosta puuttui maita, sekä konflikteja, sekä välillä se ei tuonut yhtään mitään aineistoa mukanaan. Liekö vika ohjelmassa vai käyttäjässä. Aiemmin tunnilla ohjelma kaatui monilla, joten ehkä voin syyttää ohjelmaa siitä, että se aiheuttaa käyttäjälleen lukuisia pieniä hermoromahduksia.

Joins työkalun avulla voi tehdä tietokantaliitoksia aineistojen välillä, jota käytimme Excelissä olleiden tietojen tuomisessa QGIS:n. Tätä toimintoa en uskaltanut enää yksin kotona kokeilla Dissolve ja Aggregate yritysten jälkeen, koska näiden jälkeen vannoin, etten koske kyseiseen ohjelmistoon ennen ensi maanantaita, jotta saisin itseni rauhoittumaan.

Afrikan alueen esiintymiä kartta-aineistossa

Kuva 1. Kartassa kuvattuna Afrikan alueella tapahtuneet konfliktit, timanttiesiintymät, sekä öljyesiintymät. Tuotu QGIS ohjelmasta.

Samassa aineistossa olevia muuttujia voi helpommin vertailla, ja tehdä niistä mahdollisia korrelaatioita. Taru Tornikoski huomauttaa blogissaan, että korrelaatioiden esittäminen alueellisista konflikteista suhteessa timantteihin ja öljykenttiin tulee esittää varovasti. Tämä on hyvä huomio, sillä tutkijan tehtävä on välttää tekemästä liian aggressiivisia päätelmiä, jotka eivät välttämättä liity toisiinsa. Muuttujista voisi kuitenkin varovaisesti päätellä esimerkiksi, onko timanttikaivoksen avaamisen jälkeen puhjennut konflikteja alueella, tai ovatko ne lisääntyneet kaivoksen avautumisen jälkeen.

Eemil Sillankorva on blogissaan tarkastellut hienosti koropleettikartalla köyhyyden yhteyttä timanttikaivosten, öljyesiintymien ja konfliktien sijaintiin. Hän tulkitsee kartastaan eriarvoisuuden näkymistä useissa valtioissa, kuten Kongon demokraattisessa tasavallassa, jossa “88.31% väestöstä elää äärimmäisessä köyhyydessä, vaikka heillä on 28 timanttikaivosta”. Hän toteaakin osuvasti, etteivät nallekarkit mene tasan tässäkään asiassa. Pohjois-Afrikassa öljyesiintymiä esiintyy paljolti, jossa myös äärimmäinen köyhyys on pienempää. Kuitenkin esimerkiksi Algerian alueella myös konflikteja esiintyy paljon öljyesiintymien rinnalla.
Dupuy ja Binningsbø (2008) tulkitsevat tutkimuksessaan Richardsin (1996), Bøåsin (2001) ja Keenin (2005) päätelmäksi Sierra Leonen konfliktien johtuvan perinnöllisen hallinnon kaatumisesta, jossa sodissa taistelleet kertoivat motiivikseen luonnonvarojen, kuten timanttien haalimisen itselleen (Binningsbo & Dupuy, 2008). Myös Etelä-Sudanissa jatkuneet pitkät konfliktit ovat aiheuttaneet paljon sekasortoa, ja  sielläkin käydään kilpailua luonnonvaroista poliittisista ja liiketaloudellisista syistä (Breidlid & Arensen, 2014).

Tulvia ja indeksejä

Itse tehtäväksi kotitehtäväharjoitukseksi jäi tehdä teemakartta, jossa tarkastellaan alueiden tulvaherkkyyttä koropleettikarttana ja järvisyyttä diagrammeina. Työn tavoitteena oli vertailla Suomen vesistöalueiden valuma-alueominaisuuksia ja tulvaherkkyyttä.

Tehtävänä oli siis laskea tulvaindeksi (keskiylivirtaama jaettuna keskialivirtaama) ja päivittää se valuma-alue-tietokannan taulukkoon uuteen sarakkeeseen, sekä liittää samaan taulukkoon myös alueiden järvisyysprosentti. Keskiylivirtaama tarkoittaa ylimpien mitattujen arvojen keskiarvoa (tulva) ja keskialivirtaama tarkoittaa alimpien mitattujen arvojen keskiarvoa (kuiva kausi). Tulvaindeksi vertaa näitä toisiinsa.
Tehtävässä oli tarkoitus käyttää samoja työkaluja, mitä aikaisemmassa Afrikkaan liittyvässä tehtävässä käytettiin, mutta se osoittautui yllättävän haastavaksi. Piti arvailla järjestystä, missä vaiheessa mikäkin aineisto ja ominaisuus piti liittää mihinkin taulukkoon ja mitkä arvot pitikään laskea keskenään. Lopuksi onnistuin saamaan jonkinnäköisen kartan kasaan (jonka tekeminen tehtiin kipuillen ja ihmetellen pitkälti yhtä aikaa muutaman luokkatoverin kanssa), joka jopa näyttää joltain.

Suomen vesistöalueiden tulvaherkkyys

Kuva 2. Valuma-alueiden tulvaindeksi ja järvisyysprosentti

Kartasta (kuva 2) voi päätellä suurimpien tulvaherkkyyksien sijaitsevan Pohjanmaan alueella. Avainsanana tähän toimii topografia. Pohjanmaalla (Länsi-Suomessa), jossa näkyy kaikista tummimmat alueet, on tasaista laakeaa aluetta, jossa muutama metri jokien veden korkeudessa vaikuttaa jo suuresti alueen tulvatilanteeseen. Erityisesti keväisin uutisista saa joka vuosi lukea Pohjanmaan taisteluista jäiden sulamisia vastaan.
Valuma-alueiden  tulvaindeksit alueittain kuvaavat virtausta, jolla uoman poikkileikkauksen läpi kulkevaa vesimäärää kulkee (litraa sekunnissa). Virtaus on laskettu käyttämällä virtaaman yksikköä Q, joka laskee uoman läpi kulkevan vesimäärän.
Tasaisen maan takia Pohjanmaalla vesi suorastaan matelee, jolloin virtaus on täten hitaampaa. Pohjanmaan alueella järvialtaita ei juuri löydy, kuten kartastakin (kuva 2) voi jo nähdä, jolloin veden pinnan noustessa vesi nousee reunojen yli. Myös maannousu rannikoilla tarkoittaa virtauksen hidastumista, joka pahentaa tilannetta entisestään, sillä alueella ei juurikaan ole keräysaltaita, johon vesimäärät voisivat mennä.
Siksi turkoosit palkit ovat kovin lyhyitä Pohjanmaalla, jossa järvisyyden määrä ja korkeuserot ovat pieniä.

Sitten taas Itä-Suomessa ja Koillismaalla, jossa korkeuserot ovat isoja ja uomat korkeita, ei jokien ja järvien vesien muutaman metrin nousu tunnu missään. Suosittelen erityisesti vaeltamaan Karhunkierroksen Kuusamon lähellä, jossa pääsee ihailemaan koskien kuohuntaa. Pääsin viime kesänä sen viimeinkin vaeltamaan ja kyllä koskien pauhun vieressä voi kuka tahansa todeta, että aika monta litraa vettä silmien edessä menee yhden sekunnin aikana. Vedet päätyvät lopulta keräysaltaisiin, joita Itä-Suomessa riittää. Kauniita järviä ja vesistöjä sai kierroksella ihastella päivä toisensa jälkeen.
Oman kokemukseni perusteella en yhtään ihmettele turkoosin palkkidiagrammin pituutta, jossa kuvataan Itä-Suomen korkeaa järvisyyttä, koska korkeuseroista johtuvia keräysaltaita siellä näkyi paljon. Myös tulvaindeksi ja tulvien herkkyys alueella ovat pieniä johtuen korkeuseroista, eikä keväisin aiheutuvat jäiden sulamisvedet aiheuta juurikaan päänvaivaa paikallisille asukkaille.

Lähdeluettelo

Binningsbo;& Dupuy. (2008). Power-sharing and Peacebuilding in Sierra Leone. CSCW Paper.

Breidlid, I. M.;& Arensen, M. J. (2014). Anyone who can carry a gun can go. Oslo: Peace Research Institute Oslo (PRIO).

Tornikoski, T. (1. Helmikuu 2022). Geoinformatiikkaa tutkimassa. Noudettu osoitteesta https://blogs.helsinki.fi/tornitar/

Sillankorva, E. (2. Helmikuu 2022). Eemilin mantsablogi. Noudettu osoitteesta https://blogs.helsinki.fi/sillanko/2022/02/02/kk3-hankaluuksia-afrikassa-ja-tulvii-pohjanmaa/

 

 

 

Projektioiden pinta-aloja ja vääristymiä

Tällä viikolla pohdimme sitä, miten käytettävät projektiot vaikuttavat kartalla tehtäviin mittauksiin eri projektioissa/koordinaattijärjestelmissä.

Visuaaliset karttakuvat, jotka olivat tämän kerran tehtävinä, sain tehtyä osan jo tunnilla. Sillä on kuitenkin väliä, miten ja miksi erilaisia projektioita käytetään tiedon esittämiseen, kuten tällä kerralla sain huomata.
Tähän kertaan mahtui ihmettelyä niin käytettävien projektioiden osalta, kuin prosenttien kaavalaskuja Excelissä, sekä hampaiden kiristelyä karttojen ja kuvien esillepanossa niin QGIS:ssä kuin tässä blogissakin.

Mutta miten valita oikea projektio? Entä miten se liittyy esitettävään tietoon?

Projektiot jakautuvat kolmeen kategoriaan:
oikeapintaisiin
oikeakulmaisiin
oikeapituisiin

Oikeapintaiset projektiot näyttävät alueiden pinta-alat totuudenmukaisina, oikeakulmaiset näyttävät ilmansuuntien väliset kulmat oikein ja oikeapituiset näyttävät oikeat etäisyydet kartalla jostakin keskuksesta pysyen oikeassa suhteessa todellisiin etäisyyksiin.
Näiden kolmen kategorian lisäksi on myös olemassa kompromissiprojektioita, jossa mikään näistä kolmesta tekijästä ei toteudu kokonaan, vaan projektiossa pyritään minimoimaan esiintyvät vääristymät. Täysin oikein maapalloa kuvaavaa projektioita ei ole olemassakaan, ja niiden tiedetäänkin vaikuttavan karttakohteisiin niitä vääristäen.
Kurssikerralla meidän tuli tarkastella ja vertailla ETRS-TM35FIN-koordinaattijärjestelmää toisiin itse valitsemiimme projektioihin.
Suomalaisen paikkatiedon käyttäjän kannalta ETRS-TM35FIN on keskeisin koordinaattijärjestelmä, jonka tarkkuutta on kasvatettu mittaamalla noin 450 kiintopistettä Suomessa ja lähialueilla. ETRS89 on Euraasian mannerlaattaan kiinnitetty eurooppalainen koordinaattijärjestelmä (Oulun yliopisto, 2012).

Janojen mittailua

Valitsin kolme eri projektiota, joita olivat Mercatorin projektio (oikeakulmainen projektio), Robinsonin projektio (kompromissiprojektio) ja Winkel Tripel-projektio (kompromissiprojektio).

Mittasin pituusjanan QGIS:n avulla Pohjois-Suomesta Utsjoen ja Inarin kunnan alueella sekä Etelä-Suomesta Länsi-Uudenmaan alueella. Saamistani tuloksista kokosin Excel-taulukon kuvaamaan projektioiden vaikutusta esitettävään tietoon sekä sen luotettavuuteen. Käytän ETRS-TM35FIN:stä lyhennelmää TM35FIN, jotta koko nimi mahtui taulukkoon.
Pohjois-Suomessa ero on valtava verrattuna esimerkiksi Mercator projektioon, jossa pinta-ala on 748 % suurempi verrattuna TM35FIN vastaavaan. Eteläisessä Suomessa erot eivät ole niin suuria ja jokaisessa projektiossa prosenttimäärät pienenivät, mitä lähemmäksi päiväntasaajaa mentiin.

Taulukko 1. Pituusjana ja alue otettu Utsjoen ja Inarin kuntien alueella. Tiedot QGIS-ohjelmasta ja Excelistä.

Projektio Pituusjana km, pohjoinen %  suurempi kuin TM35FIN Pinta-ala km², pohjoinen %  suurempi kuin TM35FIN
TM35FIN 126,084 2784,67
Robinson 221,025 75 % 3990,85 43 %
Mercator 362,145 187 % 23602,60 748 %
Winkel Tripel 194,95 55 % 4389,93 58 %

 

Taulukko 2. Pituusjana ja alue mitattu Länsi-Uudenmaan alueelta. Tiedot QGIS-ohjelmasta ja Excelistä.

Projektio Pituusjana km, etelä % suurempi kuin TM35FIN Pinta-ala km² etelä  % suurempi kuin TM35FIN
TM35FIN 86,46 1340,41
Robinson 112,57 30 % 1600,35 19 %
Mercator 171,94 99 % 5365,03 300 %
Winkel Tripel 103,082 19 % 1664,21

24 %

Alueelliset erot projektioissa

Seuraavassa tehtävässä esitän visuaalisesti koordinaattijärjestelmien alueelliset erot prosenteiksi luokiteltuna kartalla. Vertailin Robinsonin ja Mercatorin projektioita ETRS-TM35FIN koordinaattijärjestelmään, jolloin pystyn visuaalisesti havaitsemaan, kuinka suuria alueelliset erot prosenteissa ovat.
Tehtävässä vertailin kahta erilaista väriskaalaa ja projektiota, joita havainnoin esitettävän tiedon kannalta.

Kuva 1. Robinsonin projektion pinta-ala erot verrattuna TM35FIN projektioon. Yläkulmassa oikealla Suomi kuvattuna Robinsonissa ja vasemmalla isolla Suomi kuvattuna TM35FIN. QGIS.

Ensimmäisessä kartassa (kuva 1) esitän Robinsonin projektion pinta-ala eroja TM35FIN projektioon. Yläkulmaan liitin Robinsonissa esitetyn Suomen, jotta kuvassa näkyisi molempien projektioiden Suomet. Valitsin kuusi luokkaa esittämään alueellisia eroja ja mielestäni ne olivat ihan riittävä määrä. Tähän karttaan valitsin punaisen eri sävyt vaaleasta tummempaan, mikä mielestäni näyttää visuaalisesti miellyttävältä. Janne Turunen (2022) blogissaan pohtii, millainen värimaailma kartoissa kannattaa olla ja toteaakin, että karttojen vertailua helpottaa sama värimaailma ja legendan vaihteluväli.
Hakukoneen syövereistä löytyi muutaman vuoden takaa blogipostaus Jaakko Kuurneelta (2020), jossa hän oli omia karttojaan varten valinnut “värit räikeiksi siten, että niistä kävisi ilmi Mercator-projektion pinta-alojen vääristymien olevan alimassakin luokassa vähintään kolminkertainen Robinsonin ylimmän luokan vääristymien suhteen”. Hän on käyttänyt Mercatoria esittävässä kartassa väriskaala punaisesta vihreään, ja Robinsonin kartassa vihreästä vaaleanvihreän kautta valkoiseen.
Suoraan sanottuna hiukan harmittaa, etten itse ollut hiffannut esittää karttoja näin kekseliäästi.

Kuvassa 2 vertailin Mercatoria ETRS-TM35FIN:in ja erot olivatkin huomattavasti suuremmat prosentuaalisesti tässä kartassa kuin edellisessä.  Tässä kartassa kokeilin erilaista väriskaalaa havainnoimaan, miten se vaikuttaisi esitettävään tietoon. Valitut värisävyt (kuva 2) esittävät tiedon pehmeämmin kuin edellisessä punaisessa kartassa, vaikka prosenttimäärät ovat hurjan paljon suurempia. Valituilla väreilläkin vaikuttaisi siis olevan vaikutusta siihen, miten kuvaa tulkitsee.
Kun tarkastelen kuvia silmämääräisesti, voisi kuvitella, että Robinson vääristäisi enemmän kuin Mercator, sillä ETRS-TM35FIN muistuttaa ulkonäöllisesti enemmän Mercatorin Suomea kuin Robinsonin Suomea. Mercatorin vääristymien ollessa näin suuria, en henkilökohtaisesti käyttäisi Mercatorin projektiota missään tilanteessa, jossa pitäisi esittää Suomi kartalla.

Harjoitus oli hyvä esimerkki siitä, ettei kaikkea aineistoa kannata uskoa heti, vaan suhtautua  aineistoihin kriittisesti, kuten Eeva Raki blogissaan osuvasti toteaa.

Kuva 2. Mercatorin projektion pinta-ala erot verrattuna TM35FIN projektioon. Yläkulmassa oikealla Suomi kuvattuna Mercatorissa ja vasemmalla isolla Suomi kuvattuna TM35FIN. QGIS.

Näin jälkikäteen tajusin , että olisi ollut hyvä idea tehdä myös esimerkki oikeapintaisista -ja pituisista projektioista, eikä valita kahta eri   kompromissiprojektiota ja vain yhtä oikeakulmaista. Molemmat vertailtavat projektiot ovat prosentuaalisesti suurempia pinta-alojen suhteen verrattuna ETRS-TM35FIN:in, ja molemmissa toistuu suuremmpi vääristymä pohjoisessa. Muunlaisiakin eroavaisuuksia on kuin nämä kaksi. Esimerkiksi Ronja Sonninen kuvaa hienosti alueiden eroja Cassini projektiossa ETRS-TM35FIN koordinaattijärjestelmään, jossa pinta-alat suurenevat luoteesta kaakkoon päin verrattaessa näitä kahta projektioita keskenään.
Kaiken kaikkiaan harjoitus antoi paljon uutta pohdittavaa ja samalla ehti oppiakin jotain.
Seuraavaa kurssikertaa kohti siis!

Lähdeluettelo

Oulun yliopisto. (24. 4 2012). Noudettu osoitteesta OuluGis: https://www.oulu.fi/oulugis/fi/koordinaattijarjestelmat.html

Turunen, J. (27. Tammikuu 2022). Geoinformatiikan mystiset menetelmät. Noudettu osoitteesta https://blogs.helsinki.fi/janneturunen/

Raki, E. (26. Tammikuu 2022). Oppimassa geoinformatiikkaa. Noudettu osoitteesta https://blogs.helsinki.fi/eevaraki/category/2-viikko/

Sonninen, R. (22. Tammikuu 2022). Geoinformatiikan menetelmiin tutustumista. Noudettu osoitteesta https://blogs.helsinki.fi/sronja/karttaprojektion-vaikutus-karttaan/

Kuurne, J. V. (3. Helmikuu 2020). Jaakon GIS-blogi. Noudettu osoitteesta https://blogs.helsinki.fi/jaakongisblogi/2020/02/03/projektioista-tietokannoista-ja-ohjeiden-kirjaimellisesta-noudattamisesta/

 

Koropleettikarttojen maailmassa

Tervetuloa blogiini, jossa käsitellään geoinformatiikkaan liittyviä tehtäviä QGIS-ohjelmistoa apuna käyttäen!

QGIS on vapaa paikkatieto -ohjelmisto, jonka käyttöä harjoittelemme Helsingin Yliopiston geoinformatiikan menetelmät 1-kurssilla. Ensimmäisellä kurssikerralla opin tarkastelemaan annettuja aineistoja ohjelmistossa, sekä niitä hyödyntäen tekemään koropleettikarttoja. Aineistosta hyödynnettiin ainoastaan ESRI Shapefile -tiedostomuotoa, joka on avoin vektoripohjainen tiedostomuoto geospatiaalisen tiedon tallentamiseen QGIS-ohjelmistojen kaltaisissa paikkatietojärjestelmissä (ESRI , 1998).

Typpipäästöjä Euroopassa

Ensimmäinen kartoista käsitteli typpipäästöjä Euroopassa, jossa hyödynnettiin valmiita aineistoja muutamasta maasta. Erityisesti kartasta (kuva 1) erottuu Puola, jonka typpiarvot ovat omaa luokkaansa. Kartta antaa hieman harhaanjohtavan kuvan, sillä osassa maista ei ole tarjolla dataa ollenkaan, jolloin Puolan päästöt näyttävät erityisen pahalta. Ensimmäinen kartta (kuva 1) näyttää hiukan samealta PDF:nä, jonka toin ohjelmasta, joten ohjelman kanssa kannattaa mieluummin käyttää ruudunkaappaustyökalua.
Taru Tornikoski blogissaan (Tornikoski, 2022) osasi myös hyvin tarkentaa järvien merkitsemistä ja merkitystä kartalla. Näiden järvien saama ravinnekuorma osaltaan valuu valumajokia pitkin Itämereen lisäten Itämeren saastumista.

Kuva 1. Typen päästöjen osuuksia Pohjois -ja Itä Euroopassa. Tuotu QGIS -ohjelmasta.

Suomen kuntien aineiston tarkastelua

Seuraavassa kartassa (kuva 2) tehtävänä oli ladata Suomen kuntia käsittelevää aineistoa, ja tarkastella näistä valmista valikoimaa muuttujia ja tämän jälkeen visualisoida näistä mieleinen kartta. Kartta ja muuttujat ovat vuodelta 2015. Valitsin muuttujiksi Suomen työttömyysprosentin Suomen alueella kunnittain.  Mielestäni kartta näytti informatiiviselta, selkeältä ja väriskaala oli tasaisen vaihteleva. Kokeilin erilaisia luokittelumenetelmiä, mutta paras tulos tuli, kun käytti natural breaks -luokittelumenetelmää, jotta koko kartta ei näyttänyt pelkästään valkoiselta tai vastaavasti saman sinisen sävyltä. Kartasta voi huomata työttömyyden painottuvan Itä-Suomen alueelle, sekä Suomen käsivarteen. Mikke Plattonen tarkasteli blogissaan korkeakoulutettujen % osuutta väestössä visualisoituna koropleettikartalle. Hän huomasi, että “kartassa yliopistokaupungit erottuvat selkeästi edukseen korkeakoulutettujen määrässä”. Kun tarkastelen visualisoitua työttömyyskarttaani, samantyylistä yhteyttä yliopistokaupunkien kanssa voi huomata myös alla olevassa (kuva 2). Työttömyyttä näyttäisi esiintyvän vähemmän yliopistokaupungeissa.
Tilastojen ongelmaksi muodostuu, ettei se ota huomioon piilotyöttömyyttä, joten kaikkea aineistoa ei voi saada mukaan karttaan.
Lisäksi koropleettikartoissa on yleisesti ongelma, että se aiheuttaa pinta-alaharhoja, joka korostaa laajojen alueiden, kuten pohjoisten kuntien harvaanasuttujen alueiden merkitystä.

Kuva 2. Suomen työttömyys% kunnittain. Tuotu QGIS ohjelmasta.

Lähdeluettelo

ESRI . (Heinäkuu 1998). Noudettu osoitteesta ESRI shapefile technical description: https://www.esri.com/content/dam/esrisites/sitecore-archive/Files/Pdfs/library/whitepapers/pdfs/shapefile.pdf

Tornikoski, T. (Tammikuu 2022). Geoinformatiikkaa tutkimassa. Noudettu osoitteesta https://blogs.helsinki.fi/tornitar/

Plattonen, M. (Helmikuu 2022). GIS-TAMPIOSTA GIS-TAITURIKSI. Noudettu osoitteesta https://blogs.helsinki.fi/mikkepla/2022/02/06/viikko-1-hiljaa-hyva-tulee/