Author: Taru Tornikoski

Geoinformatiikan menetelmät -kurssin blogi!
Posted on

Vähiin käy ennen kuin loppuu – vai loppuuko sittenkään?

Viimeisen kurssikerran tehtävänä oli tuottaa itse etsityillä aineistoilla oma karttaesitys haluamastaan aiheesta. Noudatin tehtävänantoa, jonka mukaan tuli laatia vähintään kahden muuttujan kartta joltakin alueelta, joka jakautuu yhä pienempiin alueisiin. Tätä varten oli löydettävä siis sekä aineisto muuttujista, että varsinainen GIS-aineisto tarkastelemaltani alueelta. Halusin toteuttaa työn itseäni kiinnostavalla teemalla tarkastelemalla Galapagossaarten lajirunsauksia.  

Valitsin muuttujia kuvaavaksi aineistoksi parin vuoden takaiselta tilastotieteen kurssilta tallentamani Galapagossaarten lajimääriä kuvaavan CSV-tiedoston. Pitkän etsinnän ja monien erroroituneiden tai muuten unfound-ilmoitusten siivittämien sivujen jälkeen onnistuin löytämään myös Galapagossaarista ilmaista GIS-dataa, vieläpä rajapinta-aineistona. Ikäväkseni tämä aineisto oli kuitenkin rasterimuodossa toivomani vektorimuotoisen vanhan kunnon esri shapefilen sijaan. Sainkin sitten harjoitusta rasteridatan kääntämiseksi vektorimuotoon QGISilla englanninkielisten nettiohjeiden merkeissä. Ohjeet olivat kuitenkin eri ohjelmaversiolle tarkoitetut, eikä toimenpide onnistunutkaan tuosta vain lupaavan oloisen alun jälkeen. Tyypillistä (Q)GISiä. Pitkän aherruksen ja opettajan avun jälkeen muunnos kuitenkin “onnistui” – QGIS käänsikin ihanasti rasterit vektorien muodostamiksi ruuduiksi. Eli lopputulos näytti käytännössä silti samalta kuin alkuperäinen suhmurainen rasteridata, vaikka se olikin nyt nimellisesti vektoridataa😊😊. Turhauttavaa mutta totta. Tähän mennessä aikaa oli tuhrautunut jo mukavasti, joten päätin tehdä työn nyt vain näillä eväillä: oppimiskokemusta QGISin oikkuihin tämä kaikki. 

Zoomasin tältä kauniilta kartta-aineistolta valitsemani 9 Galapagossaariryhmän saarta, joiden tiedot löytyivät CSV-aineistoni joukosta, ja jotka sattuivat sijaitsemaan karttakuvassa nätisti lähekkäin. Muokkasin CSV-tiedostoa siistimmäksi, sillä aineisto sisälsi alun perin 30 saarta. Halusin keskittyä lähekkäisiin saariin, jotta lopputulos olisi visuaalisesti nätimpi, enkä joutuisi loitontamaan saaria kartalla nuppineulan pään kokoisiksi. Suodatin siis vain nämä 9 saarta attribuuttitaulukkoon ja valitsin muuttujiksi ainoastaan lajimäärän ja pinta-alan kaikkien aineiston lukuisten muiden muuttujien joukosta.

Tarkoituksenani oli siis luoda kartta, joka esittää nämä 9 saarta nimineen sekä lajimäärien että saaren pinta-alan suhteen. Kartan oli määrä havainnollistaa näiden muuttujien suhdetta. Yleinen hypoteesini ja saariteoriankin mukainen olettamus on se, että mitä suurempi saari on, sitä monipuolisempia habitaatteja sieltä löytyy, jolloin lajimääräkin on suurempi. Toki myös saarten välinen etäisyys toisiinsa sekä mantereeseen vaikuttaa, mutta jätän tämän nyt kahden muuttujan väliseksi tarkasteluksi. 

Lopputuloksesta ei tullut aivan sellaista kuin olisin halunnut (kuva 1). Ensinnäkään taustakartta ei tosiaankaan ollut hienon tarkka ja värikäs tiedostomuotovaikeuksien vuoksi, vaan muistutti lähinnä Minecraft-maailmaa kulmikkaine vektoriruutuineen. Tiedostomuodon vuoksi en saanut saaria myöskään värjätyksi kauniilla liukuvärjäyksellä pinta-alan ja lajimäärän suhteen mukaan (pinta-ala jaettuna lajimäärällä), kuten tarkoitus alun perin oli. (Esimerkiksi Johanna blogissaan tuotti kauniin kuntien taajama-astetta kuvaavan liukuvärjätyn esityksen, jollaista itsekin tavoittelin omaan aihepiiriini. Propsit Johannalle onnistuneesta toteutuksesta!)

Tarkoituksenani oli myös lisätä attribuuttitaulukkoon sarake, jossa teen kyseisen laskutoimituksen, jotta esitystavasta tulisi mielekkäämpi. Mutkien kautta ja rajallisen ajan vuoksi lopputuloksessa näkyvät muuttujat on kuitenkin kuvattu erillisinä. Tiedostan, että tämä on kartan hahmotettavuuden ja informatiivisuuden kannalta huonompi tapa, mutta minkäs teet. Valmiilla kartalla (kuva 1) saaret näkyvät nimettyinä pinta-alan kera, ja ympyrän mallinen värisymboli kuvaa värikoodilla kunkin saaren lajirunsautta viiden eri luokan mukaan. Vaaleansininen ympyrä kuvaa 0-50 lajia, tummansininen ympyrä 50-100 lajia, vihreä ympyrä 100-150 lajia ja punainen ympyrä yli 200 lajia. Väliin jäävään luokkaan (150-200 lajia) ei kuulunut yksikään tarkastelemistani saarista, joten siitä ei ole dataa eikä tällöin sitä kuvaavaa symboliakaan. Väriselitteet olisi ollut hienoa saada legendaan sellaisenaan, mikä olisi ollut taas kartan informatiivisuuden ja luettavuuden kannalta plussaa, mutta koska tein merkit eri mekanismin kautta, QGIS ei niitä tunnistanut ja tarjonnut legendaan. 

Tuloksia tarkastellessa trendi tukee yleisesti hypoteesia ja saariteoriaa: mitä suurempi saari, sitä runsaampi lajimäärä. Otanta, eli tarkasteltavien saarien lukumäärä on kuitenkin sen verran pieni, että poikkeuksiakin löytyy.  

 

Kuva 1. Galapagossaarten pinta-aloja ja lajimääriä. Lähde: freegisdata.org. 

 

Entä mikä fiilis minulle jäi kurssista yleisesti? Päällimmäinen olotilani on helpotus: nyt se on ohi! Ei enää maanantai-illan loputtoman pitkiä GIS-sessioita pimenevässä Kumpulassa ja QGISin oikkujen kanssa taistelua. Olen kuitenkin erittäin tyytyväinen kurssin toteutukseen ja opetukseen. Asiat opetettiin aina selkeästi yhteisen esimerkin kautta yhdessä samaan tahtiin tekemällä, minkä jälkeen siirryttiin itse omaan tahtiin tehtäviin harjoituksiin. Apua oli aina matalalla kynnyksellä saatavilla, eikä kertaakaan tullut olo, että jäisi ongelman kanssa yksin.

Suuren datamäärän käsittely, erityisesti erilaisilla itselle vierailla paikkatieto-ohjelmilla, on ollut minulle aina haastavaa ja koen niin tilastotieteessä, geoinformatiikassa kuin bioinformatiikassakin liikkuvani epämukavuusalueellani, enkä suoraan sanoen nauti näiden tekemisestä. Tiedostan kuitenkin, että näistä taidoista on hyvä hallita edes perusteet, vaikka minusta ei koskaan data-analyytikkoa tai päätoimista geotieteilijää tulekaan. Koen siis hyötyneeni kurssista ja oppineeni kurssin aikana lähtötasooni nähden paljon uusia taitoja. Tästä on hyvä jatkaa kohti uusia haasteita, joista puheen ollen olenkin menossa tästä suoraan Kumpulaan tekemään CorelDrawilla polygeenistä karttatulkintaa. Corelista pidän ohjelmana paljon enemmän kuin QGISista. Vahinko vain, että se ei ole ilmainen kuten jälkimmäinen. GISista ja sen käyttäjäepäystävällisyydestä en tule koskaan pitämään. Minulla on kuitenkin vahva tunne, että en tule pääsemään tästä kaverista kokonaan eroon… 

 

Lähteet: 

Dataset Islas. Sivustolta freegisdata.org. Saatavilla osoitteesta http://www.geoportaligm.gob.ec/nacional/wms?amp;request=GetCapabilities. Luettu 28.2.2022. 

Johanna Enström (2022). Johannan geoinformatiikan menetelmien blogi. https://blogs.helsinki.fi/joen/. Luettu 1.3.2022.  

 

 

 

Posted on

Lumisia hasardeja

Kuva 1. Kumpulan alueella sijaitsevien kohteiden koettu turvallisuus. Interpoloin tutkimuspisteet siten, että punaisella näkyy turvattomimmiksi koetut alueet, ja sinisellä taas turvallisimmiksi koetut alueet. Lähde: kurssilaisten itse keräämä data Epicollect5 –sovelluksen avulla. 

Kuudennella kurssikerralla käyttelimme mobiililaitteeseen ladattavaa Epicollect5-sovellusta. Sitä voi hyödyntää kätevästi pistemuotoisen datan keruussa ja datan siirrossa kartalle. Sää suosi mukavasti, ja vietin maastossa 45 minuuttia yhdessä talven kovimmista lumimyräköistä keräten viihtyvyyteen ja turvallisuuteen liittyvää tietoa kohteista, sekä niiden koordinaattitietoja. Sovellus oli varsin simppeli ja toimiva. Tunnilla kävimme yhteisen purun merkeissä opettajajohtoisesti eri ryhmien pisteet läpi kartalta. Kartan taustakartan voi vaihtaa myös satelliittikuvaksi tai vaikkapa Open Street Map -kartaksi, jolloin kohteet näkyvät. Havainnollistavaa ja kätevää! Aion varmasti hyödyntää kyseistä applikaatiota tulevaisuudessa pitämilläni mantsan tai miksei biologiankin tunneilla – mielellään vähintäänkin yhtä miellyttävän säätilan vallitessa. 

Siirsimme vielä CSV-muotoisen keräämämme aineiston QGISin taustakartan pisteiksi ja harjoittelimme pisteiden välin interpolointia interpolointityökalulla valitsemalla interpoloitavaksi muuttujaksi alueen turvallisuuden asteikolla 1-5. Näin saa jatkuvan pinnan, joka kattaa koko tutkimusalueen (kuva 1). Punaisella näkyy tässä turvattomimmiksi koetut alueet ja sinisellä turvallisimmiksi koetut alueet. Punaisen ja sinisen välille jäävät oranssi, keltainen ja vihreä. 

Lopputunnista on taas itsenäistehtävien aika hasardien parissa. Tavoitteena oli tuottaa materiaaleja, joita voisin opettajana käyttää tuntiopetuksessa. Ideana oli havainnollistaa muutamilla kartoilla jonkin hasardin sijoittumista. Lähestymistavan sai päättää vapaasti. Kiva idea! Päädyin kuvaamaan maanjäristyksiä pistemuotoisen datan pohjalta. 

 

Kuva 2. Pienet, 2,5-3 magnitudin havainnoidut maanjäristykset vuosien 2020-2022 aikana. Lähde: USGS (2022).

 

Kuva 3. Keskisuuret 4-5 magnitudin maanjäristykset vuosien 2021-2022 aikana. Lähde: USGS.

 

Kuva 4. Hyvin voimakkaat, 6-9 magnitudin maanjäristykset vuosien 1900-2022 aikana. Lähde: USGS.

Suodatin USGS:n sivuilta eri vuosien aikana sattuneita eri magnitudien suuruisia maanjäristyksiä. Tarkoituksenani oli havainnollistaa karttakuvin, että suurin osa suuremman kokoluokan järistyksistä sattuu nimenomaan litosfäärilaattojen reuna-alueilla, kun taas pienempiä sattuu satunnaisesti muuallakin. Tarkoitus on opettaa myös lähdekritiikkiä: suurin osa pikku järistyksistä oli paikannettu USA:n ja Kanadan alueelle, kas kummaa. Onkohan sillä mitään yhteyttä, että datan kerääjä sattuu olemaan USA:n geologinen tutkimuslaitos, jolla on varmasti tarkimmat järistyksiä mittaavat seismiset sensorit omalla maan kamarallaan.

Ulkomailla sattuvista pienistä, tuhoa aiheuttamattomista järistyksistä taas harvemmin raportoidaan. Tässä on siis tilastovirhe: pienen magnitudin järistykset ovat yleisempiä kuin suuret, mutta silti niitä näkyy aineistoissa näitä vähemmän (vrt. kuvat 2, 3 ja 4). Huomioi myös, että kuvassa näkyvät kaikista pienimmät järistykset on vielä havainnoitu 2 vuoden ajanjaksolta, kun taas keskisuuret vain vuoden jaksolta, mikä vielä vahvistaa tilastovirheen kontrastia. Tämä siksi, että keskisuuria järistyksiä oli tilastoitu niin paljon, että jouduin typistämään havaintojakson kestoa, jotta datamäärä säilyisi alle 20 000, jolloin koneen kapasiteetti vielä riitti datan lataamiseen.

Voimakkaimpia ja eniten tuhoa aiheuttavia, 6-9 magnitudin järistyksiä, taas sattuu kaikista harvinaisimpina. Keräsin karttaan (kuva 4) tällaiset järistykset 122 vuoden ajalta, ja niitä on silmämääräisesti arvioiden saman verran kuin 4-5 magnitudin järistyksiä yhden vuoden aikana. Käytetyt eri aikaskaalat opettavat oppilaille samalla tärkeitä aineistojen tulkintataitoja ja oman päättelykyvyn vahvistamista. Huomion arvoista on myös se, että nämä keskisuuren ja suuren luokan järistykset sattuvat täysin samoilla alueilla litosfäärilaattojen reunamilla. 

Mielestäni kartat ovat melko havainnollistavia ja voisivat toimia opetuksen tukena nimen omaan siinä, että oppilaat itse saisivat ensiksi pienryhmissä pohtia, mitä huomioita näiden kolmen kartan pohjalta voisi esittää maanjäristyksistä, ja sen jälkeen käytäisiin yhdessä vastaukset läpi. Toisessa maanjäristyskartassa (Kuva 3) on pieni huolimattomuusvirhe: legendaan on jäänyt selitteeksi kyseisten järistysten magnitudiasteikko ja vuosiluvut, kun sen sijaan pitäisi lukea “maanjäristys”. Tämän toki korjaisin ennen karttojen opetusmateriaalina käyttöä.

Näillä kartoilla (kuvat 2,3 ja 4) voisi lisäksi opettaa laattatektoniikkaa sekä siihen liittyviä termejä kuten keskiselänteet, alityönnön, syvänmeren haudat, vulkaaniset saariryhmät (erityisesti Tyynenmeren tulirenkaan) sekä poimuvuoristot. Samoin maankuoren rakennetta voitaisiin samalla käydä läpi ja pohjustaa samalla hieman jo seuraavan tunnin aihetta, tulivuoritoimintaa. Oheisen linkin takaa löytyy opetuskäyttöönkin erittäin havainnollistavia kuvia laattatektoniikasta https://www.geologia.fi/2018/05/20/laattatektoniikka/ . 

Ali esittää myös blogissaan hyvän huomion, että maanjäristysten opetuksen yhteydessä on hyvä huomauttaa kiinnostavana ja oppilaiden omaa elämää lähemmäs tulevana lisätietona, että näitä sattuu myös Pohjoismaissa, Suomessakin. Suomenkin alueella esiintyy ajoittain heikkoja maanjäristyksiä, jotka johtuvat nimen omaan pääsääntöisesti jääkauden jälkeisestä maankohoamisesta, eivätkä laattatektoniikasta.

Lähteet:

Geologia.fi (2020). https://www.geologia.fi/2018/05/20/laattatektoniikka/. Luettu 24.2.2022.

USGS (2022). https://earthquake.usgs.gov/earthquakes/search/. Luettu 20.2.2022.

Ylikoski, Ali (2022). Alin geoinformatiikkablogi. https://blogs.helsinki.fi/alingeoinformatiikka/. Luettu 24.2.2022.

 

Posted on

Bufferointi on mukavaa

Viidennen kurssikerran teemana oli tähän asti opitun kertaus. Käärimme suoraan tunnin alussa hihat ja ryhdyimme töihin ilman sen kummempia luennointeja. Harjoittelimme lisää viime tunnilla tutuksi tulleiden QGISin piirtotyökalujen käyttöä sekä mm. laskimme yhteen Pornaisten teiden pituuksia. Palauttelimme mieleen myös  uuden sarakkeen luomisen laskintyökalun avulla aineistoon. Alkutunnin yhteisen muistinvirkistyksen jälkeen teimme koko loppuajan itsenäistehtäviä. 

Monet tunnilla käytetyt menetelmät olivat käsitteinä tuttuja syksyn Johdatus geoinformatiikkaan maantieteessä -kurssilta. Clip-toiminto rajaa halutun alueen piparkakkumuotin tavoin: input-aineisto toimii tässä yhtälössä isompana piparitaikinana ja output-aineisto rajaavana muottina. Bufferointi-toiminto puolestaan rajaa halutun kokoisen vyöhykkeen tutkittavan kohteen ympärille. Bufferointi-työkalu on mielestäni mukavan konkreettinen tulevaisuuden töitäkin ajatellen. Se toimii kätevänä apurina esimerkiksi peltojen ja vesistöjen välisten suojavyöhykkeiden määrittämiseen tai vaikka liikenneväylän tai muun rakennuskohteen ja vaikkapa uhanalaisen liito-oravan suojelualueen turvavyöhykkeen määrittämiseen. Bufferointi toimii yhtä lailla monien muiden luonnon- ja ympäristönsuojeluun liittyvien selvitysten teossa kaavoituksia tai rakennushankkeita silmällä pitäen. 

Kuva 1. QGIS-näkymä Malmin lentokenttäalueesta, jonka ympärille olen luonut 1 (vihreä) ja 2 (violetti) kilometrin buffer-vyöhykkeet. Asukkaat näkyvät kuvassa punaisina pisteinä. Lisäksi samassa kuvassa näkyy oransseina alueina lentomelualueita ja pinkkeinä keskittyminä bufferoituja asemia, joiden läheisyydessä asuvien ihmisten lukumäärää myös tarkastelin. Väkimääriä tutkin vasemman alareunan taulukon avulla. Lähde: Helsingin kaupunki. 

Oppitunnin aikana hyötykäytimme bufferointia etäisyyksien ja lukumäärien laskemisessa mm. ihmismaantieteellisissä teemoissa, kuten Malmin lentokentän melualueita ja näiden asukkaita tutkittaessa (kuva 1).  

Tässä kohtaa kurssin keikahtaessa loppupuolelle on myös syytä pysähtyä pohtimaan, mitä kaikkea pieni Geoinformatiikkaa tutkimassa –retkeni on minulle opettanut. Voisin sanoa, että tämän hetken paikkatieto-osaamiseni perusteella QGISin keskeisimmät työkalut, joiden käytön hallitsen hyvin tai auttavasti, ovat sinisen rattaan takaa löytyvät bufferointi ja interpolointityökalut, sekä oman mittanauhakuvakkeensa takaa löytyvä mittaa viivan pituus -työkalu ja helmitaulu-kuvakkeen takaa löytyvä laskutyökalu. Laskutyökalu on myös kätevä uuden sarakkeen luomisessa aineistoon. Nämä työkalut ovat itselleni helppokäyttöisiä ja soveltuvat hyvin aineiston monipuoliseen tarkasteluun. Loogisesti toimivat työkalut ovat itselleni helppokäyttöisimpiä, mutta toisin on sellaisten työkalujen käyttö, joiden kohdalla on muistettava muuttaa miljoona asetusta eri valikoiden takaa oikeiksi, ennen kuin lopputulos toimii. Tällaisia olivat esimerkiksi eri aineistojen yhdistelyyn käytettävät työkalut. Suurten aineistojen yhdistely ja suodattaminen tiettyjen valintojen suhteen onkin varmasti yksi asia, jossa tarvitsisin lisäharjoitusta. 

Kaikista tähänastisista hyödyistä huolimatta minusta ei ole vieläkään tullut QGISin suurta fania. Opettajan sanoja lainatakseni “QGIS vihaa tasapuolisesti kaikkia”. Välillä minusta tosin tuntuu, että tuo kavala ohjelmisto ottaa kuitenkin salaisia suosikkeja, ja minä en lukeudu näihin QGIS-kuiskaajiin. Ohjelmisto on kaatunut kohdallani useita kertoja ja välillä kohtaan aivan kummallisia ongelmia, vaikka teen täsmälleen ohjeiden mukaan. Esimerkiksi tietyn nettiselaimen käyttö aineiston lataamisessa voi saada QGISin äksyilemään, jolloin lopputulos jää vaillinaiseksi. Mutta tämäkään ei tunnu noudattavan mitään logiikkaa: osalla Chromella ladattu CSV-aineisto aukesi QGISilla moiteettomasti, mutta osalla vain Mozillalla ladattu vastaava aineisto asettui QGISissa oikeisiin uomiinsa.

Mielestäni (ja myös monen muun mielestä) QGIS myös neuvoo käyttäjiään huonosti, eikä ole kovin käyttäjäystävällinen. Komentojen käyttäminen ei useinkaan seuraa käyttäjän intuitiivista logiikkaa, vaan softa olettaa käyttäjän itse osaavan kaivaa tarvittavat vaiheet piiloistaan. Myös ongelman sattuessa QGIS ei viitsi ilmoittaa, mistä error johtuu. Nämä seikat yhdessä aiheuttavatkin sen, että ilman vieressä päivystävää QGIS-supportia käyttäjän on mahdotonta päästä yksikseen eteenpäin ongelman tai yksinkertaisen tiedonpuutteen sattuessa.  Internetistä löytyy toki jonkin verran apua, mutta kuten Hanna blogissaan toteaa, lähes kaikki ohjeet ovat englanniksi, ja tässä vaiheessa opintoja alan kansainvälinen terminologia on vasta tulossa tutuksi. Hän täsmentää myös hyvin, että ongelman ratkaisemiseksi netin avulla ongelma pitää osata tarkasti sanoittaa – tämä on vaikeaa jos QGIS ei kerro mistä ongelma johtuu.

Taulukko 1. Sekalaista pohdintaa kurssikerran itsenäistehtäviin liittyen. 

Tehtävä 1: lentokentät ja asemat  Tehtävä 2: taajamat  Tehtävä 3: koulut 
  • Laskin bufferointien avulla alueiden väkimäärät (tiedot jäivät tunnilla tallentamatta, kts. Kuva 1 todisteena) 
  • Tehtävä vaatii eri aineistojen yhdistelyä, tässä on kehitettävää 
  • Tehtävä vaatii niin ikään eri aineistojen yhdistelyä 
  • Noin neljäsosa muun kielisiä 

Lähteet:

Lampinen, Hanna (2022). GIS menetelmät. Saatavilla osoitteesta https://blogs.helsinki.fi/ldhanna/. Luettu 22.2.2022.

Posted on

Ruudut, pisteet ja rasterit – silmissä vilisee

Neljännen kurssikerran agendana olivat ruutukartat, piste- ja rasterimuotoisiin aineistoihin tutustuminen sekä QGISissa piirtäminen rasterikartan avulla. Tunnin alun luento-osuudella mm. opin, että pisteaineistot ovat kaikkein tarkimpia paikkatietoaineistoja ja niitä voidaan kerätä melkeinpä minkälaisista kohteista tahansa. Laserkeila-aineistot puolestaan ovat vielä pisteaineistoista kaikkein tarkimpia. Pisteaineistoja käytetään usein lähtöaineistoina, kun halutaan kerätä tietoa eli aggregoida eri tarkkuusalueilla oleville esittämistasoille. Tällaisia eri tarkkuusalueisia esittämistasoja ovat mm. ruudut, laserkeilauksen avulla saadut korkeusmallit, erilaiset aluejaot sekä kohteiden ympärille jäävät vyöhykkeet.  

Ruutuaineistot puolestaan ovat tehokas tapa kerätä alueellista tietoa ilman valmista aluejakoa. Monet Suomea koskevat laajat tietoaineisot ovatkin ruutumuotoisia. Tehokkuudella, kuten kaikella muullakin positiivisella (jos tehokkuuden tässä hektisessä nykymaailmassa haluaa sellaiseksi ihanteeksi määrittää), on kuitenkin kääntöpuolensa. Näin ollen toiseen suuntaan kumartaessaan ruutuaineistommekin pyllistää toiseen suuntaan: takapuolesta pistää esiin nimittäin tyyris hinta. Esimerkiksi Tilastokeskuksen Ruututietokannan yhden vuoden lisenssin hinnaksi kertyy rapsakat 6520 euroa 250 metrin ja 1 kilometrin heleällä ruudukoinnilla. Monikohan meistä olisi valmis pulittamaan näin paljon silkasta GIS-rakkaudestaan? 🙂 

Tunnin alussa minulle käy selväksi, että pääsen maanantai-illan ratoksi univajareiden hivelöimänä tuottamaan QGISilla teemaruutukartan. Tuntirykelmän loppumetreillä vaanii kuitenkin vielä toinen erikoisjeccu – olen hyvilläni, että olen siitä tässä vaiheessa vielä autuaan tietämätön. 

Kuva 1.  Ruotsinkielisen väestön lukumäärä Helsingin alueella. Lähde: Helsingin kaupunki (2014).

Päädyn tekemään ruututeemakartan suosiollisesti ruotsinkielisen väestön lukumäärästä Helsingin kaupungin alueella (kuva 1). Kaverina hyödynnän yksinkertaista summa-toimintoa. Tämä laskee käyttämäni laajan taulukkoaineiston pohjalta yhteen valitsemani muuttujan, ruotsinkielisen väestön, osuuden kunkin halkaisijaltaan kilometrin kokoisen ruudun alueelta. Tätä ennen olen toki siistinyt Helsingin kaupungin pohjakartan rajauksineen ja luonut päälle ruudukon. 

 Teemaruutukarttani (kuva 1) lukuarvot voivat olla absoluuttisia toisin kuin perinteisessä koropleettikartassa, koska tutkittavat ruutualueet ovat tasakokoisia (1 km2). Tiedostan kuitenkin, että suhteelliset lukuarvot voisivat olla myös tässä tapauksessa käyttökelpoinen muoto, koska ruotsinkielisiä toki asuu tilastotodennäköisyydenkin lakien mukaan enemmän siellä, missä ihmisiä ylipäätäänkin asustaa enemmän. Helsingin väestö, samoin kuin heistä ruotsinkieliset, painottuvatkin kantakaupunkiin ja Etelä-Helsinkiin. Suhteelliset lukuarvot paljastaisivat tällöin paremmin nimen omaan ruotsinkielisten suosimat asuinalueet suhteessa koko muun kieliseen väestöön. Haluan kuitenkin tarkastella samalla myös kokonaisväkimäärän jakaumaa, jossa mukana ovat ruotsinkieliset. Sain myös vahvistuksen, ettei tämäkään esitystapa väärin ole. En siis ole vaarassa joutua esitystapani johdosta aamunkoitteessa teloitetuksi maantieteilijöiden päivien jatkoilla, kuten opettaja asian muotoili😊 (Edellyttäen siis, että ylipäätään osallistuisin maantieteilijöiden päiville, sillä identifioin itseni yhä ensisijaisesti biologiksi). 

Joka tapauksessa esiteltyäni luomukseni, tulkitsen sitä vielä hieman. Kartasta (kuva 1) on nähtävissä se, että ruotsinkielisten lukumäärä laskee suuresti siirryttäessä erityisesti Pohjois-, Koillis- ja Luoteis-Helsinkiin. Siinä missä esimerkiksi Ullanlinnassa, Kampissa ja Kruununhaassa ruotsinkielisiä on pakkautunut kilometrin alueelle jopa reilut 3000, on heitä kilometrin alueella Malminkartanon, Kannelmäen ja Konalan pohjoisemmissa kaupunginosissa vain 0-12. Karttaan olisikin voinut liittää kaupunginosien nimet, jotta se olisi ollut vielä informatiivisempi.  

Muita syitä väestön suuremman kokonaismäärän lisäksi sille, miksi ruotsinkielisten asukkaiden määrä painottuu Etelä-Helsinkiin, voi olla mm. ruotsinkielisten korkeampi koulutus verrattuna muuhun väestöön keskimäärin. Ruotsinkieliset oppilaitokset painottuvat myös kantakaupungin ja Etelä-Helsingin alueille. Korkeammin koulutetuilla on keskimäärin parempi palkka ja he ovat keskimäärin muutenkin varakkaampia kuin matalammin koulutetut. Näin ollen korkeasti koulutetulla ruotsinkielisellä väestöllä on varaa asua kalliimmin kantakaupungin ja eteläisen Helsingin alueilla ja maksaa niiden hintavammista palveluista. Myös tuon väestönosan asumisperinteillä näillä alueilla voi olla oma merkityksensä. 

Ylipäätään ruututeemakartan informaatioarvo verrattuna perinteiseen koropleettiteemakarttaan ja pisteteemakarttaan on ruututeemakartan pistekoosta riippuen mahdollisesti paljon tarkempi. Toisaalta, jos kartan ruudut ovat kovin pieniä, voi lukijan olla työläämpää tulkita karttaa, vaikka sen sisältämä informaatioarvo onkin suurempi ja sisältö tarkempi. Esimerkiksi Eemilin asuttujen rakennusten mediaani-ikää Helsingin alueella kuvaavassa taidokkaasti tuotetussa ruututeemakartassa ruutukoko on informaatioarvon kannalta tarkoituksenmukaisesti 500 m2 . Tällä tarkkuudella lukijalla kestää hieman kauemmin hahmottaa kartan kuvaama kokonaisuus, kuin vaikkapa oman karttani puolet suuremmalla ruutukoolla. Blogissaan hän onkin samoilla linjoilla kanssani teemaruutukartan tulkintaan liittyen. 

 Ruututeemakartalla on otettavan huomioon myös absoluuttisten lukuarvojen mielekkyys ilmiön tarkastelun kannalta. Aluejaoltaan tasainen ruututeemakartta ei myöskään esitystavaltaan vääristä samalla tavalla kuin koropleettiteemakartta, sillä koropleettikartalla erikokoisen aluejaon valinnalla on suuri merkitys kartan luomaan mielikuvaan. Pistekarttaa taas on yleisesti paljon epätarkempaa lukea kuin ruututeemakartta, sillä pisteet osuvat usein väistämättä päällekkäin. Tällöin lukijan on vaikeampi hahmottaa pisteiden kuvaaman ilmiön suuruutta. 

 Ruututeemakartan luettavuus verrattuna muihin teemakarttoihin on ainakin isompiruutuisella kartalla parempi. Isoruutuisen ruututeemakartan avulla lukijan on helppo hahmottaa nopeasti ilmiön jakautuminen jo yhdellä vilkaisulla. Tuottamani ruututeemakartta (kuva 1) on mielestäni visualisesti kelvollinen ja hyvin luettava, jos ei oteta huomioon punavihersokeuden mahdollisuutta. Punaisen voimakkuus kuvaa ilmiön voimakkuutta, mikä on myös useimpien lukijoiden intuitiivinen tulkinta. Tällöin karttaa on helppo hahmottaa.  

Lopputunnilla hyökkäsimme vielä rasterimuotoisen aineiston kimppuun. Opin, että numerolitania 3067 on hyödyllistä osata ulkoa, jotta saa joutuisasti vaihdettua QGISissa oikean koordinaattijärjestelmän Suomen kohdalle. Tuotimme korkeusmalleja ja vinovalovarjosteita, sekä harjoittelimme QGISilla piirtämistä Pornaisten kartta-aineistolla. Tässä kohtaa edellisperiodista tutut CorelDraw-traumat heräsivät eloon. Onneksi operoitava “pieni” alue rajattiin koko kunnan kattavalta kartalta. Kuuden tien piirtäminen sujuikin kivuttomasti, mutta rakennusten piirtäminen pistekohteina tuntui sadistiselta ikuisuudelta. Totta kai alueelle osuivat kaikki mahdolliset Pornaisten taajamat. Lopputunnin harjoittelinkin ruumiista irtautumista ja luulen päässeeni melko lähelle. 662 pisteklikkausta tuudittivat väsähtäneen geoinformaatikkokokelaan maanatai-iltaiseen transsiin. Ensi kertaa ja bufferointia odotellessa… 

 

Lähteet:  

Eemil Sillankorva (2022). Eemilin mantsa-blogi. https://blogs.helsinki.fi/sillanko/. Luettu 10.2.2022.  

 

 

 

Posted on

Tietokantojen yhdistely – kaatumisia ja nousuja

Kuva 1. Afrikan merkittävät konfliktit, timanttikaivokset ja maalla sijaitsevat öljy- ja maakaasukentät toisen maailmansodan jälkeen vuoteen 2020. Lähde: PRIO (2020).

Tunnin yhteisenä harjoituksena toimi laaja, Afrikan valtiot sisältävä tietokanta, jolle harjoittelin tekemään erilaisia toimenpiteitä. Samassa tahdissa opettajan kanssa eteneminen oli mukavaa, vaikka siltikin välillä tipahdin kärryiltä huomioni herpaantuessa iltatunnilla johonkin muuhun. Vierustoverini on ollut onneksi korvaamaton apu näissä tilanteissa, ja olen varmasti kyllästymiseen asti pyytänyt häntä neuvomaan uudelleen juuri esitetyn asian. Kerta toisensa jälkeen hän on kuitenkin kärsivällisesti auttanut poloista ja väsynyttä muun työpäivän uuvuttamaa sivuainemantsalaista. Suurkiitos siis hänelle!😀 Muutenkin tiimityö toimii GIS:ssa. On itsellenikin palkitsevaa, jos omaksikin yllätyksekseni joskus huomaan muistavani työvaiheet ja valikot, joilla tietty toimenpide tehdään ja voin joskus vastavuoroisesti auttaa vieressä istuvia. QGIS:n kanssa on oltava myös kärsivällinen ja tarvitaan selkeästi myös ripaus korkeampaa voimaa, jotta työn saa kunnialla suoritettua maaliin asti. Tästä kohta lisää! 

Nyt kun olen ensin purkanut akuutin turhautumiseni QGIS-ohjelman käyttöön ja huonoon keskittymiskykyyni iltatunneilla, voisin taas palata itse asiaan eli tunnin tehtäviin. Opin yhdistelemään tunnilla tehdyn Afrikka-harjoituksen avulla tietokantoja yhteisen nimittäjän mukaan uudella työkalulla. Kaikissa liitettävissä tietokannoissa tulee siis olla jokin sarake, joka on sisällöltään sama kaikissa liitostietokannoissa, ja sen tulee sisältää kohteita identifioivaa tietoa. Lopputuloksena syntyy uusi, siistitympi ja helpommin hallittava tietokanta, mikä on tietysti kätevää aineiston analysoinnin kannalta. Uusi tietokanta kannattaa tallentaa pikimmiten ja nimetä se selkeästi, jotta se ei sekoitu vanhaan, sekavaan tietokantaan, kuten itselläni tietysti kävi. Ennen datan yhdistelyä on myöskin suotavaa tutkia yhdisteltäviä tietokantoja, jotta varmasti osaa huomata jos seremonian yhteydessä jotakin kallisarvoista hukkuukin. Samalla voi vielä tarkistaa, että yhdisteltävät aineistot tulivat varmasti “siivottua” huolella. On nimittäin aina lopputuloksen selkeyden kannalta vaaranpaikka, jos isossa aineistossa sama kohde onkin nimetty usealla eri tavalla, esimerkiksi Kongo / Kongon demokraattinen tasavalta. 

Tietokantojen yhdistelyssä on monta vaihetta ja nyt päästään jännittävimmän vaiheen äärelle: liitos ei nimittäin syystä tai toisesta onnistu noin 30 %:lla kerroista, vaan koko ohjelma kaatuu 🙂 Juuri ennen liitosta on siis loistava aika tallentaa tehty työ, jotta vältytään harmilta harmin päälle. Itselläni ohjelma kaatui tietysti ensi yrittämällä, vieläpä kaksi kertaa peräkkäin. Myöhemmin tunnilla tehdessäni itsenäistä tehtävää vasta neljäs kerta toden sanoi 😀 . Tietokantojen yhdistäminen taitaakin siis olla uskon asia, mutta itsehän en kuulu kirkkoon. Onneksi elämä (ja GIS) ei ole niin vakavaa, tai ainakaan itse en jaksa ottaa turhaa pulttia tehtävistä. 

Opin myös, että ennen Excel-tietokantojen tuontia QGIS:iin Excel-tiedosto on muutettava csv-muotoon ja tallennettava sellaisena. Tuodun tiedon pohjalta tein laskutoimituksia ja lisäsin siistittyyn, yhdistettyyn tietokantaan uusia sarakkeita. Lopputulemana sainkin ohjatusti aikaiseksi Afrikan mannerta kuvaavan teemakartan, jossa näkyy valtioittain timanttikaivokset, öljykentät sekä konfliktit (kuva 1). Taustalla vaikutti tietokanta, johon lisäsin ja yhdistelin mm. kussakin valtiossa sattuneiden kofliktien lukumäärät, ajanjakson, jonka aikanan konflitit olivat sattuneet, sekä öljy- ja timanttikaivosten lukumäärät valtioittain. 

Sitten seuraa ripaus konkretiaa ja maailman parantamista. Mitä Afrikka-tuotoksen avulla voisi päätellä, kun tietokantoihin on tallennettu ainakin tietoa (PRIO 2020):  

-konfliktin tapahtumavuodesta ja konfliktin laajuudesta 

-timanttikaivosten löytymisvuodesta sekä kaivausten aloitusvuodesta 

-timanttikaivosten tuottavuusluokittelusta 

-öljykenttien löytymis- ja poraamisvuosista 

-öljykenttien tuottavuusluokittelusta 

-internetkäyttäjien lukumäärästä eri vuosina 

Päättelyssä täytyy aina olla varovainen ja tulkita tuloksia, ei omaa maalaisjärjen ohjailemaa ajatusta siitä, että öljykentät ja timanttikaivosteollisuus varmastikin lisäävät köyhissä maissa levottomuuksia ja aseellisia konflikteja. Edellä mainittujen tietokantojen, ja oman Afrikka-teemakarttani (kuva 1) perusteella voidaan kuitenkin varovaisesti todeta, että timantti- ja öljykaivosten olemassaolo alueella näyttäisi korreloivan konfliktien kanssa. Konfliktien tapahtumavuosia ja kestoja pitäisi vielä laajemmin analysoida kaivosten löytymisvuosien ja kaivostoiminnan aloitusvuosien kera ja tutkia, kuinka merkitsevää tilastollisesti korrelaatio näiden muuttujien välillä on. Lisäksi tulisi huomioida muut taustalla vaikuttavat taustamuuttujat. Tällaisia ovat mm. väestön köyhyysaste, kaivostoiminnan tuottavuus, kaivokset kussakin tilanteessa omistava taho, sekä maan alueella toteutettavasta kaivostoiminnasta kansalaisille seurannut mahdollinen hyöty, mikä näkyy vaurastumisena, kuten internetkäyttäjien lisääntymisenä valtiossa.  

Tutkimuksen mukaan kaivostoiminnan lisääntyminen Saharan eteläpuolisessa Afrikassa näyttäisi lisäävän myös naisten kokemaa kotiväkivaltaa. Kaivostoiminta heijastuu koko alueen elinkeinorakenteeseen siten, että naiset siirtyvät maanviljelystöistä palvelusektorin töihin, mikä ei välttämättä ole yhteisön hyväksymää (Kotsadam ym. 2016). Lisäksi kaivostoiminta aiheuttaa laajempia konflikteja alueen yhteisöissä, mikä heijastuu myös perhe-elämän epävakautena ja kotiväkivaltana. 

Kuva 2. Tulvaindeksi eli tulvimisriski Suomen valuma-alueilla.

Tein myös itsenäisen työn tunnilla oppimieni taitojen avulla aiheena Suomen vesistöalueiden valuma-alueominaisuudet ja tulvaherkkyys (kuva 2). Yhdistelin taas useita aineistoja QGIS:lla ja tein tarvittavat laskutoimitukset sekä tuloksia kuvaavat uudet sarakkeet. Lopputulemana sain aikaan jonkinmoisen koropleettiteemakartan, josta ilmenee alueiden tulvaindeksi eli turvaherkkyys. Diagrammeja en alkanut enää pitkän illan jälkeen kotona tekemään yhtä ahkerasti ja onnistuneesti kuin vaikkapa Turunen (2022). Hänen blogiaan ja ohjeita lukiessani totesin kuvaajien olevan itselleni näillä tähänastisilla GIS-taidoillani mahdoton tehtävä. Blogitekstin ja kuvan perusteella sain kuitenkin hienon maistiaisen siitä, mitä olisi pitänyt tehdä. Onnistuneenkin tuotoksen taustalla oli kuitenkin nähtävästi pitkä ja kivinen tie 😛  

Tuottamastani Suomen valuma-alueiden tulvaindeksejä kuvaavasta koropleettisestä teemakartasta voi kuitenkin tulkita, että tulvaindeksi eli riski tulvimiselle on suurinta Suomenlahden ja Pohjanlahden rannikkoseuduilla. Kaikkein suurin tulvariski on Pohjanmaalla, mikä johtuu paitsi sijainnista rannikolla, myös alueen alavuudesta ja jokisuudesta. Lisäksi korkea tulvariski löytyy Varsinais-Suomesta Turun alueelta sekä Uudeltamaalta Helsingin alueelta. Järvi-Suomen runsasjärvisillä alueilla tulvariski on hieman yllättävästikin pienin mahdollinen. Lapissa indeksi taas on hieman suurempi oletettavasti suuremmista lumen sulamisvesistä johtuen, mutta kuitenkin selvästi pienempi kuin Suomenlahden ja Pohjanlahden rannikkoseuduilla (kuva 2). 

 

 

Lähteet: 

Kotsadam, A; Ostby, G; Aas Rustad, S. 2016. Stractural change and wife abuse: A disaggregated study of mineral minig and domestic violence in sub-Saharan Africa, 1999-2013. Political Geography 56 (2017) 53-65.  

Prio. Rauhaninstituutti. https://www.prio.org/. Luettu 31.1.2021. 

Turunen, Janne. Geoinformatiikan mystiset menetelmät -blogi. https://blogs.helsinki.fi/janneturunen/. Luettu 1.2.2022. 

Posted on

Aineistoissa ajelehtimassa

 

Kuva 1. GIS-harjoitus valintatyökalujen käytöstä. Kuvaan on tallennettu Pirkanmaan maakunnan kunnat, sekä  Suomen tutkamajakat.  Kunnat 2020. Väylävirasto, rajapinnat 2022.

Toisella kurssikerralla syvennyimme erilaisiin paikkatietoaineistoihin hyödyntäen mm. Kunnat 2020 –tietokantaa. Samalla aineistojen visualisoinnin osaaminen syveni hieman edelliskerrasta. Keskeisenä tällä kerralla oivalsin QGisi:n valintatyökalujen tärkeyden, koska aineistot ovat muuten niin laajoja. Valintatyökaluilla voi esimerkiksi rajata tarkasteltavien kohteiden joukon karttaikkunasta, etsiä tietyt ehdot täyttäviä alueita ja rakentaa useita eri valintakriteereitä täyttäviä kyselyitä. Valintatyökalujen avulla voi myös luoda kokonaan uusia tietokantoja tehtyjen valintojen pohjalta. Itse harjoittelin valintatyökalujen käyttöä tallentamalla Kunnat 2020 -tietokannasta QGis:lle vain ne kunnat, jotka kuuluvat Pirkanmaan maakuntaan. Lisäksi harjoittelin avoimen datan käyttöä lisäämällä samaan kuvaan tutkamajakat Väyläviraston Rajapinnat –aineistosta. Yhdistelmähän ei ole yhtään random😀 (kuva 1). Paikkatiedossa siis lähes kaikki on mahdollista. Siis silloin, jos ja vain jos osaa hallita paikkatieto-ohjelmia ja –aineistoja 🙂  

Kuva 2. Mercatorin projektion pinta-ala vääristymien suuruus prosentteina Suomessa verrattuna oikeapintaiseen Lambertin projektioon.

Tutkin myös projektioita ja koordinaatistoja. Mittatyökalun käyttö osoittautui hyödylliseksi ja simppeliksi. Projektion vaihto muuttaa pituus- ja pinta-alasuhteita enemmän tasopinnalla kuin ellipsoidin pinnalla tutkittaessa. Erityisesti esimerkiksi Robinsonin projektio muuttaa huomattavasti etäisyys ja pinta-alasuhteita tasopinnalla tutkittaessa. Myös yleisesti käytetty Mercatorin projektio vääristää huomattavasti erityisesti Pohjois-Suomea (kuva 2). Visualisointia varten loin aineistoon uuden sarakkeen, joka laskee Mercatorin projektion vääristymän suuruuden prosentteina vyöhykkeittäin Suomessa pohjois-eteläakselilla verrattuna oikeapintaiseen Lambertin projektioon. Tämä oli hieman haastavaa, mutta onnistui. 

Visualisointeja tuotettaessa tarvitaan myös QGis:n tulosteikkunaa, jonka käyttö alkaa tulla kerta kerralta tutummaksi hitaasti, mutta varmasti. Matkalla geoinformatiikan osaajaksi –blogissa tiivistetään hyvin toisen kurssikerran anti: “Pieniltä virheiltä ei kuitenkaan säästytty ja ohjelman käytössä vaaditaankin toistoja, jotta ns. Komennot jäävät mieleen (Sigg 2022).” 

 

Lähteet: 

Sigg, Milla. 2022. Matkalla geoinformatiikan osaajaksi. Haettu osoitteesta https://blogs.helsinki.fi/milsigg/. Luettu 30.1.2022. 

 

 

Posted on

QGis – geoinformaatikon monipuolinen apuri?

 

Kuva 1. Itämereen päätyvät typpipäästöt valtioittain. HELCOMin data- ja karttapalvelu.

Vuoden ensimmäisellä maantieteen lähiopetustunnilla tutustuin QGis-ohjelmistoon, joka osoittautui varsin hyödylliseksi ja monipuoliseksi. Maanantai-illan opetussessio oli rankka rypistys päivän muiden aktiviteettien päätteeksi, mutta ei auta valittaa, kun tarjolla on kerrankin lähiopetusta. Geoinformatiikkaa on totta vie helpompaa opetella lähiopetuksen muodossa, kun opettajan apu on tarvittaessa saatavilla.

Kurssin opettaja neuvoi hyödyllisiä niksejä QGis:n käyttöön.  Ohjelman työkalujen hallintatasolta löytyy jokaiselle eri datatyypille, kuten vektoriaineistolle, oma lisäämispainikkeensa. Samasta toolbarista löytyy myös painike uuden tason luomiseen. Opin myös muun muassa, miten koordinaattijärjestelmän voi kätevästi muuttaa projektille ja miten eri työkalupalkkeja voi valita lisää hiiren oikealla painikkeella ohjelman yläpalkista. Erityisen hyödyllisiksi työkaluiksi osoittautuivat tietokantojen ominaisuustaulukot sekä laskentatyökalu.

Ohjelma siis osoittautui todella monipuoliseksi. Aineistona ensimmäisen tunnin harjoituksissa toimi teemakartta typen päästöistä Itämeren alueella. Viimeistelin kartan itse QGis:llä  visuaalisesti omaa silmääni miellyttävämmäksi ja havainnollistavammaksi kauniin liukuväriskaalan avulla. Opin myös, miten kartan tallennusta varten luodaan tulostusikkuna, jonka avulla valmis kartta saadaan ulos joko tulosteena tai kuvatiedostona.

Tulkitaan lopuksi päivän tuotosta. Kuvassa näkyvästäni teemakartasta voidaan tulkita, minkä suuruusluokan verran Itämerta reunustavat valtiot päästävät typpipäästöjä vuosittain Itämereen. Typpipäästöjen skaala on liukuvärjätty valkoisesta punaiseen, jossa punainen kuvastaa suurinta ravinnekuormaa. Puola on kartan perusteella suurin Itämeren ravinnekuormittaja tarkastelluista valtioista. Venäjä, Ruotsi ja Latvia kuuluvat seuraavaksi korkeimpaan typpikuormitustasoon. Suomi, Viro, Liettua, Tanska ja Saksa puolestaan kuuluvat kolmiportaisen asteikon vähäisimpiin typpisaastuttajiin. On kuitenkin muistettava, että puhtoisia eivät nämäkään maat ole. Vihertävällä värjätyistä kartalla näkyvistä valtioista ei ole saatavilla dataa.  Itämeren alue syvyyskäyrineen erottuu kartalla hyvin: matalia alueita uhkaa erityisesti ravinnekuormitus. Lisäksi kartalle merkityt järvet lisäävät Itämereen laskevien valumajokien kautta Itämeren ravinnekuormitusta.

Mielestäni ensimmäinen QGis-työni onnistui kohtuullisesti, vaikkakin hienosäätöä olisi voinut vielä tehdä esimerkiksi legendan rajaamisen suhteen. Teemakartta on kuitenkin mielestäni melko havainnollistava ja informatiivinen. Hannan kurssiblogissa on hieno oivallus ensimmäiseltä kurssikerralta: “Jatkossa aion kiinnittää enemmän huomiota karttojen visuaalisuuteen ja siihen informaatioon, jota kuvan välityksellä halutaan jakaa. Jo tätä ensimmäistä harjoitusta tehdessä huomasin, että muun muassa luokkajaoilla, värivalinnoilla ja symboleilla voidaan merkittävästi vaikuttaa siihen mielikuvaan, jota kartta lukijalle välittää. Toisaalta huomasin karttaa tehdessäni myös sen, että kartan tekijän olisi syytä tuntea aineisto ja lähteet hyvin (Pelkonen 2022).”

Lähteet:

Pelkonen, Hanna. 2022. Hannan kurssiblogi. Haettu osoitteesta https://blogs.helsinki.fi/pelkohan/. Luettu 30.1.2022.