Kurssikerta 7 – Regioni d’Italia

Viimeistä kurssikertaa varten olin saanut päähäni, että haluan käyttää Italiaan liittyvää dataa. Googlaamalla törmäsin erilaatuisiin karttoihin, joista lopulta löysin käyttökelpoisen yksilön DIVA-GIS-sivulta. En ehkä osittain osannut käyttää muutamia aineistosivustoja, sillä en löytänyt niiltä helposti ladattavissa olevia tietoja etsimisestä huolimatta. Seurauksena syötin löytämäni datan exceliin itse. Toisinaan yksi Italian 20 alueesta oli jaettu kahteen, joten sain laskea ja yhdistellä tietoa.

Karttoja tehdessä sain taas jumpata QGIS:in kanssa, jotta kaikki haluamani tiedot näkyisivät ja olisivat toivomillani paikoilla. Se, mikä jäi näissä kartoissa hieman harmittamaan, on Italian vääristynyt muoto. Pelkäsin, että tiedot vääristyisivät, jos muuttaisin projektiota. Kartoissa näkyy siis hiukan litistynyt Italia. Ensimmäisen kartan kanssa tappelin pitkän aikaa, sillä Piemonten nimi ei halunnut näkyä kartalla sitten mitä teinkään. Lopulta luovutin ja olin valmis lisäämään nimen (taas) Paintilla, mutta onneksi nimi ilmestyi karttatulostesivulle.

Kaiken halutun tiedon saaminen legendaan osoittautui kuitenkin taas ongelmalliseksi. Koska olin jo henkisesti valmistautunut kääntymään Paintin puoleen, päädyin lisäämään piirakkadiagrammien selitteen legendaan sillä. Paintista muotoutui selvästi koko kurssin aikana pelastava viimeinen oljenkorsi, mikä on ehkä vähän huolestuttavaa – joko en osaa käyttää QGIS:iä tarpeeksi hyvin tai ohjelmasta puuttuu joitakin aika olennaisia toimintoja.

Kuva 1. Työllisyys ja työttömyys Italian alueilla. Tiedot vuodelta 2017. (Eurostat)

Kuvan 1 kartasta huomaa kaavan: pohjoisen alueet omaavat sekä korkeimman työllisyyden että alhaisimman työttömyyden, kun taas etelän alueilla tilanne on päinvastainen. Muutamien pohjoisten alueiden työllisyysasteet ovat lähellä Suomen työllisyyslukuja, joiden keskiarvo 2017 oli 72,2%. (Eurostat) Italian työllisyyden keskiarvo (52,9%) on kuitenkin selvästi Suomen ja EU:nkin keskiarvoa hiukan matalampi. (Guisan, M. C. & Aguayo, E. 2002, s. 1). Italian työttömyys (13,3%) on keskiarvoisesti Suomen työttömyyttä (8,6%) (Tilastokeskus) suurempaa, mutta muutamilla pohjoisen alueilla se on selvästi alle Suomen keskiarvon. (Kuva 1) Italian etelän ja pohjoisen alueiden erojen syynä voi nähdä mm. sen, että yleisesti ottaen pohjoisessa on enemmän teollisuutta ja kaupallista- ja finanssitoimintaa, kun taas etelässä toiminta painottuu maanviljelyyn. (Guisan, M. C. & Aguayo, E. 2002, s. 60-63, 69)

Koska muutamissa tapauksissa työllisyysluvut olivat mielestäni oudonkin matalia, kävin karttojen teon jälkeen tarkistamassa tietoja Eurostatin sivulta ja huomasinkin niiden muuttuneen kaikkien kohteiden osalta. En oikein ymmärrä… Mutta on siis todennäköistä, että sivustolle on päivitetty tai korjattu tietoja, ja että kartoissa ja analyyseissä käyttämäni tiedot ovat näin ollen virheellisiä. Työllisyys alueilla oli päivitetyn tiedon perusteella 6-14 prosenttiyksikköä korkeampi, “heikoimmilla” alueilla pääsääntöisesti 12-14. Suomenkin työllisyysluku oli noussut 76,7%:iin ja työttömyys oli lähes kaikilla Italian alueilla pari prosenttiyksikköä matalampi. Tästä syystä huomautuksena, että hain tiedot sivulta 25.2.2019.

Kuva 2. Turistiyöpymiset Italian alueilla suhteutettuna alueiden asukasmäärään. Kartalla myös Italian suurimmat kaupungit. Tiedot vuodelta 2016. (Eurostat)

Turistiyöpymisten (kuva 2) ja työttömyyden ja työllisyyden (kuva 1) välillä huomaa yhtäläisyyden siinä, että osassa eteläisemmistä alueista yöpymisiä oli alueiden asukasmäärää vähemmän. Suurimmat turistihoukutukset lienevät tunnetut kaupungit kuten Venezia, Rooma ja Firenze, ja muuten suositut turistikohteet kuten Ligurian kattava Italian Riviera ja Toscana. Pohjoisen Alppien tarjoamat laskettelu- ja vaellusmahdollisuudet taas selittänevät Vallee d’Aostan ja Trentino-Alt Adigen suhteellisen turismin runsauden. (Kuva 2) Turismin vaikutus näillä alueilla ulottuu myös rakennusteollisuuteen, (Guisan, M. C. & Aguayo, E. 2002, s. 63) ja runsaana se vaikuttaa myös alueiden työllisyyteen ja työttömyyteen. Turismi voi edesauttaa taloudellista hyvinvointia, mutta se ei yksin riitä selittämään työllisyyttä ja työttömyyttä Italian alueilla.

Muiden blogeja selatessa huomasin, että myös Ida Lehtonen oli tehnyt kurssikerran tehtävän Italiasta. Verratessa Idan kuvaamaa väestön vähenemistä suhteessa itse tutkimiini muuttujiin oli mielenkiintoista huomata vähenemisen olevan pienintä sekä etelän työllisyyden osalta heikommilla alueilla, että pohjoisen vahvemmilla alueilla. Amanda Ojasalon kurssikerran kartat painuivat mieleen hienon toteutuksen takia.

Kaikkien kurssin tehtävien ja muiden blogien selailun jälkeen tuntuu, että QGIS:llä ja muutenkin paikkatietoaineistolla ja -ohjelmilla voi tehdä lähestulkoon mitä vain, käyttäjän mielikuvituksen ja taitojen toimiessa harvoina rajoitteina. Käytetty ohjelmakin rajoittaa oman osansa, kuten kurssin aikana on tullut huomattua. Mahdollisuuksien määrä on samalla kannustava ja ahdistava tieto, koska liian monen vaihtoehdon edessä menee helposti lukkoon. Sen huomasin itse ainakin neljännen kurssikerran tehtävässä. Mutta kaiken tällä kurssilla opitun jälkeen käy tie positiivisin mielin kohti uusia (GIS-)haasteita, kiitos ja kummarrus !

 

Lähteet:

DIVA-GIS – Download data by country, http://www.diva-gis.org/gdata
MapCruzin.com – Download Free Italy ArcGIS Shapefile Map Layers, https://mapcruzin.com/free-italy-arcgis-maps-shapefiles.htm
Eurostat – My region, https://ec.europa.eu/eurostat/cache/RCI/myregion/
Guisan, M. C. & Aguayo, E. – Employment and regional development in Italy, Applied Econometrics and International Development. AEEADE. Vol. 2-1 (2002), http://www.usc.es/economet/reviews/aeid213.pdf
Tilastokeskus – Työllisyys ja työttömyys vuonna 2017, https://www.stat.fi/til/tyti/2017/13/tyti_2017_13_2018-04-12_kat_002_fi.html
Ida Lehtonen – Blogi 7 – Populazione d’Italia, https://blogs.helsinki.fi/lida/blogi-7-populazione-ditalia/
Amanda Ojasalo – Viimeinen, https://blogs.helsinki.fi/amandaoj/2019/03/15/viimeinen/

Kurssikerta 6 – Hasardia

Toiseksi viimeinen kurssikerta alkoi ulkoilulla. Kiersimme kampuksen läheisyydessä satunnaisia paikkoja ja loimme niiden pohjalta paikkatietoa Epicollect5-sovelluksella. Keräämämme tiedon perusteella loimme interpoloidun rasterikartan kuvaamaan alueiden koettua turvallisuutta. Ikävä kyllä en tajunnut tallentaa siitä kuvaa blogiin lisättäväksi.

Kurssikerran päätarkoituksena oli luoda hasardeja kuvaavia karttoja, joita voisi hyödyntää kouluopetuksessa. Ensimmäisessä karttassa (kuva 1) esitän voimakkaimmat maanjäristykset ja tunnetut tulivuoret Tyynenmeren tulirenkaan alueella, joka on tunnetusti seismisesti ja vulkanismin suhteen aktiivisimpia alueita maapallolla. N. 90% maanjäristyksistä tapahtuu tällä alueella, jolta löytyy myös n. 75% maapallon aktiivisiksi määritellyistä tulivuorista. (National Geographic) Etenkin Tyynenmeren litosfäärilaatan törmääminen, sivuaminen ja erkaneminen muista laatoista johtaa suurimpaan osaan alueen maanjäristyksistä ja tulivuorista.

Kartalla (kuva 1) on kuvattu magnitudiltaan voimakkaimmat maanjäristykset koon mukaan. Ainoat käyttämässämme tietokannasta löytyneet vähintään 9.0 magnitudin maanjäristykset ovat ilmenneet Tyynenmeren tulirenkaassa (kuva 2), mikä kertoo paljon alueella purkautuvista voimista. Maanjäristysten lisäksi kartalla (kuva 1) näkyy myös tunnetut tulivuorenpurkaukset alueella.

Kuva 1. Tyynenmeren tulirenkaan voimakkaimmat maanjäristykset 1898-2019 ja tunnetut purkautuneet tulivuoret. Kartan viimeisin tieto 19.2.2019.
Kuva 2. Voimakkaat maanjäristykset 1950-2019. Kartta on jäänyt raakileeksi legendan osalta, jossa magnitudeilla on turhan paljon desimaaleja. Kartan viimeisin tieto 19.2.2019.

Päädyin muokkaamaan kaikkia karttojani useaan otteeseen ja Tulirengas-kartan kanssa jouduin taas turvautumaan vanhaan kunnon Paintiin kartan katketessa juuri tarkastelemallani alueella. Kartan ja pistekohteiden yhdistäminen oli aikamoista näpertämistä. Olisikohan tämänkin voinut jotenkin fiksusti tehdä QGIS:ssä enemmän tietävänä…

Kolmannessa kartassa (kuva 3) näkyy Euroopan alueella tapahtuneet tulivuorenpurkaukset jaa. Tulivuoren väri kuvaa purkautumisajankohtaa. Yllätyin itse Ruotsissa sijaitsevasta tulivuoresta, ja tutkimisen jälkeen ilmeni sen oikeasti sijaitsevan Islannissa. Tästä huomaa miten pieni virhe kuten miinus-merkin puuttuminen aineiston longitudisarakkeesta voi vääristää tietoa.

Kuva 3. Euroopan alueella purkautuneet tulivuoret jaa. Purkautumisvuotena käytetty viimeisintä tunnettua purkautumisvuotta.

Halusin luoda karttoihin jonkinlaista bufferimaista vyöhykettä, jolla voisi hiukan havainnollistaa sitä, että hasardien vaikutukset ulottuvat tapahtumakohdtaa kauemmas. Yritin tehdä karttoihin samankaltaista rasterikuvaa kuin Epicollect5-aineistolla tehtiin, mikä ei ottanut onnistuakseen. Mietin johtuisiko se siitä, ettei käytössä ollut mitään vastaavaa “kysymystä” jossa vastausvaihtoehtoja oli monia, kuten tutkitussa turvallisuuskysymyksessä oli. Muiden blogeissa näin kuitenkin interpoloituja kuvia, joten minulla on selvästi mennyt jokin pieleen rasterikuvan laatimisessa.

Pasi Okkosen blogia katsoessa sain vinkin heatmap-kuvan luomiseen, jolla lopulta sain toivomani kuvan aikaiseksi. (Kuva 4) Kartan luettavuus hiukan kärsii sen tummuudesta valitsemani väriskaalan takia, mutta skaala korosti mielestäni sopivan dramaattisesti maanjäristysakeskittymiä. Luettavuudesta huolimatta kartta on suosikkini tekemistäni kartoista.

Kuva 4. Yli 5 magnitudin maanjäristykset Euroopan alueella 1900-2019. Kartan viimeisin tieto 22.3.2019.

Luomani kartat soveltuvat mielestäni hyvin kertomaan seismisyydestä ja vulkanismista valitsemillani alueilla. Jos niitä käyttäisi opetuksessa, olisi hyvä yhdistää ne litosfäärilaattojen rajoja kuvaaviin karttoihin, kuten tähän. Olisin näin jälkeenpäin ajatellen myös itse voinut lisätä karttoihin laattojen rajat, kuten Alex Naumanen on oivallisesti tehnyt.

Halusin Eurooppaa käsittelevillä kartoilla (kuvat 3 ja 4) tuoda esiin suhteellisen rauhalliseksi koetun alueen epävakautta, mitä esim. koululaiset eivät välttämättä ajattele. Kuvasta 4 näkyy esim. että Kreikka, joka on suosittu lomakohde, on ollut lukemattomien maanjäristysten kohteena viimeisen reilun sadan vuoden aikana.

Vertailin omia karttojani myös netistä löytämiini. Löysin hyvän kartan, jossa on korostettu Tyynenmeren tulirengas, minkä takia alueen havaitseminen on helpompaa kuin omassa tulirengas-kartassani. Kartasta toisaalta uupuvat tulivuoret, jotka löytyvät omastani, ja erivahvojen maanjäristysten erottelu. Samaisella löytämälläni kartalla on korostettu Himalajalta Alpeille kulkeva ns. vyö, minkä takia kartta soveltuisi myös hyvin Eurooppa-karttojeni oheen esittämään alueen seismisyyttä. Monitahoisten hasardien esittämisessä tuntuukin, ettei eri asioita korostavia karttoja voi olla liikaa.

 

Lähteet:

National Geographic – Ring of Fire, https://www.nationalgeographic.org/encyclopedia/ring-fire/
Pasi Okkonen – Viikko 6. Itsenäistä paikkatiedon tuottamista ja visualisointia, https://blogs.helsinki.fi/pasiokko/2019/03/18/viikko-6-itsenaista-paikkatiedon-tuottamista-ja-visualisointia/
USGS – Search Earthquake Catalog, https://earthquake.usgs.gov/earthquakes/search/

Earth Magazine – Tectonic Plates, https://www.earthmagazine.org/sites/earthmagazine.org/files/2017-05/Cantner_TectonicPlates.png
Alex Naumanen – Mieluummi överit ku vajarit, https://blogs.helsinki.fi/alexnaum/2019/02/22/150/
AGU Blogosphere – Earthquake Distribution, https://lh4.googleusercontent.com/-9BQI4bZFkCU/TXpGC39KqEI/AAAAAAAAAmY/YKUUHUF7xig/s1600/Earthquake_Distribution.jpg

Kurssikerta 5 – Bufferointia, laskentaa ja pohdiskelua

Edellisellä kerralla itse valmistellun Pornaisten aineiston ja bufferien avulla tutkittiin tietyn etäisyyden päässä teistä, koulusta ja terveyskeskuksesta sijaitsevien talojen määrää. Sisäinen perfektionismi soti vähän vastaan, kun lätkäisimme satunnaismääräiset asukasmäärät taloille Field Calculatorin avulla. Joka tapauksessa laskentojen tulokset näkyvät kuvassa 2 ja ovat suhteessa Pornaisten alueen sisälle rajautuviin rakennuksiin. Kertovampaa olisi ollut laskea asukasmäärän prosentuaalinen osuus rakennusten sijaan, mutta eipä tullut mieleen tuolloin.

Opittuja bufferointitaitoja sovellettiin Malmin lentokentän ja Helsinki-Vantaan lentokentän aiheuttaman melun tutkimiseen. (Kuva 2) Bufferit tai puskurivyöhykkeet (kuva 1) ovat kätevä työkalu, kun pohditaan kaikenlaisia laajalle leviäviä vaikutuksia, ja esim. turvavyöhykkeitä vaarallisille alueille.

Kuva 1. Kuvakaappaus Malmin kiitoradoille tehdyistä buffereista. Kuvaan ei ole lisätty legendaa, pohjoisnuolta tai mittakaavaa sen toimiessa pelkkänä kuvituskuvana.

Malmin lentokenttä valmistui joulukuussa 1936 Helsingin päälentokentäksi. Suurin osa, 714 eli ~92%, rakennuksista 1 km päästä Malmin kiitoteistä on rakennettu Malmin lentokentän valmistumisen jälkeen. Asukkaita näissä uudemmissa rakennuksissa on 8769, mikä kattaa sekin suurimman osan kilometrin sisään mahtuvista asukkaista. Mielenkiintoisesti alueelle on siis tietoisesti rakennettu lentokentän olemassaolosta huolimatta, mikä ehkä kertookin Helsingin asuntotarpeesta.

Helsinki-Vantaan lentoaseman melualueiden ja 2 km sääteellä asuvien laskenta (kuva 2) onnistui, kun tein 2 km säteen valinnan lentomelutasojen sisään rajautuvista kohteista ja tallensin ne uusiksi tasoiksi. Laskimme myös vastaavia tietoja poikkeukselliselle Tikkurilan yli kulkevalle lentoreitille, jota hyödynnettiin kun kolmatta kiitorataa rakennettiin 2002. Vähintään 60dB lentomelua (kuva 2) koettiin n. 7 km pitkällä ja n. 1 km levyisellä alueella lentokentän päästä katsoen. Piirsin näin ollen 6 km pitkän viivan, koska bufferi lisää reunaan 1 km.

Muissa tehtävissä laskin liikenneyhteyksien lähellä asuvia Vantaan asukkaita, taajamissa asuvien osuuksia ja koulun aloittavia ja sitä käyviä oppilaita. Vantaan 15-64-vuotiaat laskettiin Vantaan asukastiedoista, joissa ikäluokat oli jaettu moneen ryhmään. Tämä oli hidasta, koska QGIS:ssä ei voinut valita monta kenttää yhteenlaskettavaksi, kuten esim. excelissä, vaan jokainen ikäluokka piti erikseen naputella laskentatyökaluun. Taajamien ulkomaalaisten osuuksien laskeminen osoittautui myös hankalaksi, joten jätin sen tehtävän sikseen.

Kuva 2. Vastauksia laskettuihin itsenäistehtäviin.

Koulutehtävää hankaloitti tulkinnanvaraisuus, sillä kouluikäisen määritelmä on osittain häilyvä. Laskin tehtävään 7-16-vuotiaat, mutta riippuen syntymävuodenajasta voi jo 6-vuotiaskin olla kouluikäinen ja 16-vuotias yli (perus)kouluiän. Olisi luotettavampaa, jos tiedossa olisi lasten syntymävuodet. Toisaalta sekään ei takaisi täyttä luotettavuutta, sillä jotkut aloittavat koulun vuotta aiemmin tai myöhemmin kuin muut. Samaa pohti myös Ida Lehtonen blogimerkinnässään.

Tämänkertaisessa blogimerkinnässä tuli miettiä myös omia QGIS-taitoja. Itse koen, että perustoiminnot kuten aineistojen tuonti ohjelmaan, tulosteikkunan käyttö, uusien sarakkeiden laskeminen, ja tallennukset ovat jo rutiinilla sujuvia hommia. Kyselyiden tekeminen aineistoon esim. Select features using expression -näppäimellä tuntuu välillä hankalalta, kuin en ihan ymmärtäisi QGIS:in kieltä. Tietyt tehtävät, joita olemme kurssilla tehneet vaativat vielä ohjeiden uudelleenläpikäymistä, jotta ne saa tehtyä oikein, mutta harjoittelukertojen kasautuessa nekin sujuvat aina vain jouhevammin.

Toisinaan tuntuu myös siltä, ettei QGIS:stä löydy kaikkia toivomiani toimintoja. Esim. järvisyyspylväiden lisääminen legendaan ja tällä kerralla ilmennyt monien kohteiden valinta laskennassa ovat haitanneet. On toki mahdollista, etten vain tiedä mistä etsiä oikeita toimintoja. Mutta jos niitä ei ole, on se puute ohjelmassa, ja rajoittaa käyttäjän mahdollisuuksia. Toisaalta netistä etsimällä löysin lisäosan, jolla olisi voinut lisätä histogrammin selitteet legendaan. Tästä huomaakin avoimen lähdekoodin ohjelman vahvuuden; käyttäjät pystyvät itse lisäämään ohjelmaan puuttuvia ominaisuuksia. Lisäosien loihtiminen vaatii toisaalta sitten omanlaistaan osaamista, mitä tällaiselta tavalliselta tallaajalta ei (vielä ainakaan) löydy.

 

Lähteet:

Helsinki-Malmi Airport – Historia, http://www.malmiairport.fi/historia/
Ida Lehtonen – Blogi 5 – Lepää rauhassa Olli Lindholm, https://blogs.helsinki.fi/lida/blogi-5-lepaa-rauhassa-olli-lindholm/

Kurssikerta 4 – Vektorista rasteriin

Kurssikerran alussa kertasimme vektori- ja rasteriaineistojen ominaisuuksia ja eroja. Ruututeemakartalla voi mielestäni esittää absoluuttisia arvoja, jos aineisto perustuu tarkkaan aineistoon, kuten meidän tapauksessamme pisteaineistoon, kun teimme pääkaupunkiseudulle ruudukon. Aineiston puutteet pitää tietenkin aina ottaa huomioon ja niistä kannattaa parhaansa mukaan ilmoittaa. Meidän tapauksessa merelle sijoitetut pisteet, jotka kuvaavat vailla pysyvää osoitetta, esim. sairaalahoidon takia, olevia asukkaita, ovat pienoinen puute aineistossa.

Rasteriteemakartta on mielestäni selkeämmin luettavissa kuin pistekartta, koska monet pienet yksittäiset kohteet on sulautettu yhteen. Hyvin valittujen värisävyjen ja ruutukoon avulla asian ytimen ymmärtää myös nopeasti silmäilemällä. Huonot valinnat taas voivat tehdä kartasta hankalasti luettavan. Verrattuna koropleettikarttaan alueet on jaettu tasaisin välein, jolloin alueita tarkastellaan vähän kuin tasavertaisina. Kuten Elina Huhtinen toteaa, on kuitenkin koropleettikarttaa ruutukarttaa helpompi lukea. Ruudut ovatkin yleensä pienempiä kuin alueet koropleettikartalla.

Jostain syystä vapaavalintaisen ruututeemakartan tekeminen hämmensi minua, ehkä koska tietokannassa oli tietoja niin monesta asiasta. Määreen valitseminen oli hankalaa. Ensin tekemämme ruotsinkielisten asukkaiden määrää ja sen jälkeen itse muokkaamani näiden prosentuaalista osuutta kuvaavan kartan jälkeen tein eläkeikäisten prosentuaalista osuutta kuvaavan ruututeemakartan. Kumpienkin kohdalla osuudet olivat – eivät niin yllättäen – hyvin pieniä, ja paikoittain vähän oudonkin suuria, joten totesin karttojen olevan kehnoja. Amanda Ojasalo tuumi blogissaan osuvasti, että prosentuaalisia osuuksia kuvaavat ruutukartat eivät kerro ruudun asukkaiden määrää, minkä takia osuudet saattavat antaa harhaanjohtavaa tietoa.

Kuva 1. Helsingin kunnan asukastiheys 250x250m ruutuina.

Päädyin lopulta tekemään ruutukartan, joka kuvastaa Helsingin väestömäärää. (Kuva 1) Kartalta näkee asukaskeskittymät ulottuen keskustasta Munkkiniemeen, ja tiheästi rakennettuja Kallion, Herttoniemen ja Vuosaaren alueita. Kehä I:n ja junaratojen muodot pystyy myös hahmottamaan asukaskeskittymien avulla. Tätä ajatellen olisi ollut havainnollistavaa lisätä karttaan isoimmat liikenneyhteydet, jotka selvästi vaikuttavat asukaskeskittymien sijaintiin. Sipooseen aiemmin kuulunut harvaan asuttu Landbo, jossa pääsääntöisesti asutaan omakotitaloissa, erottuu kartalla vaaleimpana asutusalueena. (Kuva 1)

Tekemäni ruutuaineiston peittäessä aluetta, olisi kaupunginosien nimiä myös voinut lisätä karttaan sen luettavuuden parantamiseksi. Siirsin rantaviivan ruutuaineiston päälle, jotta se jäisi tunnistettavaksi, mutta muutaman ruudun tulkinta on kärsinyt tästä, kun niistä on jäänyt jäljelle vain pieni osa.

Kurssikerran loppupuolella toimme ensimmäistä kertaa rasteriaineistoa QGIS:iin. Tämä oli korkeusmalli Pornaisten alueelle. Teimme rinnevarjostuksen korkeusmallin ja siitä luotujen automaattisten korkeuskäyrien avulla. Myöhemmin vertaillessa tuotostoamme alueen peruskarttalehteen huomasi, että luomamme rinnevarjostus vastasi hyvin peruskarttalehteen piirrettyjä korkeuskäyriä.

Tunnin loppua sävytti hiiren klik-äänet. Tehtävänä oli luoda omat viiva- ja pistemuotoiset tasot kuvaamaan Pornaisten isoimpia teitä ja kaikkia ei-teollisia rakennuksia. Lopputuloksena oli väsynyt käsi ja reilut 700 kohdetta odottamassa seuraavaa kurssikertaa.

 

Lähteet:

Elina Huhtinen – Viikko 4 – rasterikarttoja ja virheitä, joista toivottavasti oppii, https://blogs.helsinki.fi/huhelina/2019/02/09/viikko-4-rasterikarttoja-ja-virheita-joista-toivottavasti-oppii/
Amanda Ojasalo – Ruutuja, https://blogs.helsinki.fi/amandaoj/2019/02/08/ruutuja/

Kurssikerta 3 – QGIS-jumppa

Aloitimme tämänkertaisen työskentelyn Afrikka-tietokannalla. Tietokanta oli laadittu todella tarkasti sisältäen kaikkien Afrikan maiden saaretkin omina kohteinaan. Mielessä kävi aineiston tekijöiden mieletön työmäärä sen koostamisessa, eikä käynyt kateeksi, chapeau. Siistimme aineistoa yhdistämällä kaikki maat saarineen omiksi kohteiksi. Afrikka-aineistolla harjoiteltiin myös erilaisten tietokantojen yhdistämistä, eritoten .csv-tiedoston yhdistämistä shapefileen. Oli palkitsevaa, kun tällä kertaa .csv-tiedoston liittämisen salat selvisivät porukalla tekemällä ensimmäisen kurssikerran itsenäisharjoituksen ongelmien jälkeen.

Afrikka-aineistossa oli tietoa maanosan konflikteista, timanttilöydöksistä ja maanpäällisiä öljynlähteistä. Nämä kohteet näkyvät myös kartalla. (Kuva 1) Liitetyn internetin käytöstä kertovan aineiston perusteella tuumin Saaga Laapotin tapaan, että yleisesti ottaen internetin käyttäjien lukumäärän ollessa maassa suuri, on myös maassa vähemmän konflikteja.

Kuva 1. Konfliktit, timanttikaivokset ja maanpäälliset öljykentät Afrikassa.

Afrikka-aineiston avulla voisi myös analysoida muita korrelaatioita. Voisi tarkastella – kuten me teimme – konfliktien kestoa sekä niiden lukumääriä eri maissa. Luonnonvaralöydösten tuottavuusluokittelua voisi myös verrata konflikteihin – onko alhainen tai korkea tuottavuus yhdistettävissä konflikteihin? Voisi myös miettiä luonnonvarojen löytämisten ja konfliktien ajankohtia – sattuvatko ne samassa maassa lähivuosille? Entä onko timanttikaivoksilla ja öljykentillä yleisesti vaikutusta konfliktien määrään? Karttaa tarkastelemalla näkyy, että konflikteja esiintyy monin paikoin luonnonvaralöydösten yhteydessä, eli jonkinlaisen yhteyden voi näiden tekijöiden välillä nähdä olevan. Konflikteja esiintyy myös luonnonvaroista erillään, maissa, joissa löydöksiä ei ole lain. (Kuva 1) Näistä silmiinpistävimpiä ovat Burundin ja Ruandan pienet valtiot, joissa konfliktipisteet lähestulkoon peittävät maat näkyvistä. Mailla on pitkä historia sisällissodista, joka juontaa juurensa 1400-luvulta alkaneesta etnisestä riidasta kahden kansanryhmän välillä. Eikä tähän riitaan ainakaan auttaneet Saksan ja Belgian tiukat siirtomaapolitiikat.

Kurssikerran toisessa osassa siirryttiin kotomaahan, Suomeen. Tarkastelimme Suomen valuma-alueiden ominaisuuksia. Laskimme alueille tulvaindeksin, josta selviää kuinka suuri virtaaman huippu on suhteessa valuma-alueen kuivimpaan aikaan. Saimme Idan kanssa jumpata aineiston kanssa aikamme, sillä QGIS oli kaatumispäällä. Avunpyynnön ja välitallentelujen avulla ohjelman lähti toimimaan toivotusti ja saimme karttakuvamme tulostettua. Ohjelman kanssa jumppaaminen ainakin iskosti tulosteikkunan käyttöä (ehkä vähän liiankin) syvälle aivojen sopukoihin. Luodusta kartasta (kuva 2) selviää, että etenkin Perämeren reunalla sijaitsevilla sekä Varsinais-Suomen ja Uudenmaan pienillä valuma-alueilla on suurin tulvaindeksi. Näin ollen myös suurin riski tulvimiselle sijaitsee näillä alueilla, jotka kartalla on kuvattu tummimilla oranssin sävyillä (kuva 2).

Kuva 2. Suomen valuma-alueiden tulvaindeksi ja järvisyys.

Karttaan liitettiin myös valuma-alueen järvisyys histogrammina, eli pylväinä. Järvisyys kertoo, kuinka suuri osuus valuma-alueesta koostuu järvistä. (Tieteen termipankki) Legendan tekemisessä oli taas tiedossa jumppaa: järvisyyspylväiden arvojen kuvaaminen osoittautui hankalaksi. En löytänyt QGIS:stä mitään valmista työkalua, jolla asiaa olisi voinut kuvata. Uuden lisäosan lataaminen ohjelmaan tuntui liian monimutkaiselta. Selaillessa muiden kurssilaisten blogeja ratkaisujen toivossa sain Iina Rusasen blogista idean, jonka mukaan muokkasin legendaa lopulta ah-niin-ihanalla-Paintilla. Pitääkin muistaa kysyä Iinalta, miten hän onnistui laatimaan järvisyysprosentin legendaansa…

Valmista karttaa tutkiessa näkyy trendinä, että mitä järvisempi valuma-alue on, sitä pienempi on myös tulvaindeksi. Tämä näkyy myös pienten aiemmin mainitsemieni Suomen rannikollisten valuma-alueiden eroina, joilla tulvaindeksi on monesti korkein alueilla, joilla järvisyys on pientä. Tämä näkyy esim. Pohjanmaalla ja Etelä-Pohjanmaalla sijaitsevan Ähtävänjoen vesistöalueen ollessa selvästi ympärillä olevia pieniä valuma-alueita vaaleampi, alueen tulvaindeksi on siis matala. (Kuva 2) Vesistöalueen järvisyys on 10% luokkaa, mikä on selvästi enemmän kuin muiden Perämeren reunoilla olevien valuma-alueiden järvisyys. Aurajoen vesistöalueella taas on korkein tulvaindeksi Varsinais-Suomessa ja siellä järvisyys on pientä. (Kuva 2)

 

Lähteet:

Saaga Laapotti – Kovaa hermojen koettelua, https://blogs.helsinki.fi/saagalaa/2019/01/30/kovaa-hermojen-koettelua/
Yle.fi – Burundissa ja Ruandassa on pelottava sisällissotien perinne, https://yle.fi/uutiset/3-7981513
Tieteen termipankki – Järvisyys, https://tieteentermipankki.fi/wiki/Ymp%C3%A4rist%C3%B6tieteet:j%C3%A4rvisyys
Iina Rusanen – Tietokantaliitoksista tulvariskiin, https://blogs.helsinki.fi/iinarusa/2019/02/02/timantteja-ja-tulvia/

 

Kurssikerta 2 – Mittausta eri projektioissa

Tällä kurssikerralla sukellettiin projektioiden maailmaan ja tutkittiin niiden vaikutusta mitattaviin kohteisiin, pituuksiin ja alueiden pinta-aloihin.

Valitsemalla alueen ja piirtämällä viivan Suomen alueelle pystyi vertailemaan eri projektioiden vaikutusta alueen pinta-alaan ja viivan pituuteen. Taulukosta 1 näkee selvästi mitkä projektiot ovat oikeapintaisia: (Lambert) equal area cylindrical (LAEA) ja Mollweiden projektio. Suomen kansallinen kartastokoordinaattijärjestelmä KKJ on lähinnä oikeaa sekä pinta-alassa että etäisyydessä, mikä ei ole yllättävää sen ollessa luotu juuri Suomelle. KKJ perustuu Gauss-Krügerin poikittaiseen Mercator-projektioon ja siinä projektion sivuamislinja kulkee Suomen läpi.

Taulukko 1. Pinta-alan ja pituuden eroja eri projektioissa. Pinta-alojen ja pituuksien ero laskettu suhteessa projektioon ETRS-TM35FIN. Prosentuaaliset erot kertovat kuinka paljon suuremmat kyseessä olevat mitat kussakin projektiossa ovat suhteessa ETRS-TM35FIN-projektioon.

Pituudessa Mollweide on KKJ:n jälkeen lähinnä oikeaa. (Taulukko 1) Eniten vääristymää näkyy Mercatorin ja siitä kehitetyn Millerin projektioissa, sekä pinta-alassa että etäisyydessä. LAEA:ssa vääristymä pituudessa on lähes yhtä suuri, mikä ei ole yllätys, kun miettii etenkin päiväntasaajasta kaukana sijaitsevien maiden muotoja LAEA-projektion mukaisella kartalla. Robinsonin projektiossa vääristyy molemmat mitattavat, ja projektiossa onkin tehty kompromisseja, jotta koko maailma pystyttäisiin esittämään luonnollisen näköisenä kartalla. Riippuen siitä, mitä halutaan esittää tai mitata pitää siis valita oikeanlainen projektio, jossa haluttu asia kuvataan mahdollisimman oikeana. Näin kohteita ja mittauksia voidaan esittää mahdollisimman totuudenmukaisina.

Projektioiden eroja tutkittiin myös suhteuttamalla Suomen kuntien pinta-aloja LAEA-projektiosta Mercatorin ja Robinsonin projektioihin. (Kuvat 1 ja 2) Pinta-alojen prosentuaaliset erot ovat huimia Mercatorin projektiossa, pahimmassa tapauksessa pinta-alat ovat jopa 700% suurempia kuin mitä ne oikeasti ovat. (kuva 1) Mercatorin lieriöprojektion luonteen takia, sivuamislinjan ollessa päiväntasaaja ja leveyspiirien etäisyyksien kasvaessa napoja kohti, pinta-alojen erot kasvavat mitä pohjoisemmaksi tai etelämmäksi päiväntasaajasta päästään (ENCYCLOPÆDIA BRITANNICA). Susanna Kukkavuori huomioikin omassa blogissaan kuinka pinta-alojen vääristymien erot huomaa jo pelkän Suomen alueella: etelässä vääristymä on vain kolminkertainen kun taas pohjoisessa kuusin- tai seitsenkertainen. Tämä näkyy kartassa tummimpien värien, eniten vääristyneen pinta-alan, maalatessa pohjoisinta Suomea. (kuva 1)

Vertailussa Mercatorin projektioon (kuva 1) käytin kymmentä luokkaa visualisuuden takia, sillä halusin koko dramaattisen väriskaalan näkyviin. Kartan luettavuus kärsii tästä hiukan, sillä värejä on hankala nopeasti silmäilemällä yhdistää niitä vastaaviin lukuihin legendassa.

Kuva 2. Suomen kuntien pinta-alojen erot Robinsonin ja Lambert Equal Area -projektion välillä.
Kuva 1. Suomen kuntien pinta-alojen erot Mercatorin ja Lambert Equal Area-projektion välillä.

 

 

 

 

 

 

 

 

 

 

Robinsoninkin projektio vääristää alueita enemmän mitä kauemmaksi päiväntasaajasta kuljetaan, mutta prosentuaaliset erot sen ja LAEA:n ovat selvästi pienempiä (kuva 2) kuin Mercatorin projektion ja LAEA:n välillä (kuva 1). Tässäkin kartassa (kuva 2) halusin väriskaalalla korostaa suurimpien erojen – kuvattu punaisen sävyillä –  sijaintia pohjoisessa Suomessa.

Oikeapintainen projektio on olennainen, kun halutaan esittää alueen kokoon suhteutettua tietoa, kuten asumistiheyttä. Jos tällaisten muuttujien esittämiseen valitaan projektio, jossa oikeapintaisuus on toissijaista, tieto vääristyy.

Visualisoimaan tällaista vääristymää laadin kartat kuntien Natura-alueiden suhteellisista pinta-aloista eri projektioissa. (kuvat 3 ja 4) Projektioina toimivat lähestulkoon paikkaansa pitävä LAEA ja Suomen alueella vääristynyt Robinsonin projektio. Havainnollistamista helpottamaan käytin molemmissa kartoissa samoja värejä ja samaa skaalaa. Erojen havaitseminen on näin helpointa, kun kuvia selaa edestakaisin. Selaaminen on tosin käytännössä näin blogista käsin hankalaa, sillä kikkailusta huolimatta en saa kuvia asetettua niin, että ne avautuisivat klikkaamalla täysikokoisiksi, kuten blogiohjeissa on ohjeistettu. Vertailun voi kuitenkin toteuttaa vaikka avamaalla kuvat omiin välilehtiinsä ja vaihtelemalla välilehtiä.

Kuva 4. Natura-alueiden osuudet Suomen kuntien pinta-aloista Robinsonin projektiossa.
Kuva 3. Natura-alueiden osuudet Suomen kuntien pinta-aloista Lambert Equal Area -projektiossa.

 

 

 

 

 

 

 

 

 

 

LAEA:ssa (kuva 3) kuntien Natura-alueet kattavat suurempia osuuksia kuntien pinta-aloista kuin Robinsonin projektiossa (kuvat 4). Tämä johtuu jo aiemmin tarkastellusta pinta-alaerosta projektioiden välillä. (Kuva 2) Suomen kuntien pinta-alat ovat Robinsonin projektiossa suurempia kuin mitä ne LAEA:ssa ja oikeasti ovat. Näin ollen mitattu Natura-alue kattaa pienemmän osuuden kunnista Robinsonin projektiossa. Prosentuaalisen pinta-alan eroja näkyy projektioiden välillä koko Suomen alueella. (kuvat 3 ja 4)

Erot suhteutetussa pinta-alassa olisivat tulleet paremmin esille, jos toinen käyttämäni projektio olisi ollut Robinsonin projektion sijaan jokin selvästi LAEA:sta eroava projektio. Erot ovat kuitenkin havaittavissa näidenkin projektioiden välillä. Eroja olisi myös voinut havainnollistaa paremmin lisäämällä luokkia joihin alueet jaettiin, mutta koska ohjeissa on yleisesti neuvottu käyttämään n. 5 luokkaa, päädyin tähän määrään. Tässä huomaa, että tietyissä tapauksissa ohjeiden tarkkaa seuraamista tärkeämpää on miettiä miten kutakin tehtävää kannattaa lähestyä ja miten kannattaa menetellä niin, että tuloksista tulee mahdollisimman selkeitä ja havaittavia.

 

Lähteet:

georeference.com – Cylindrical Equal Area, http://www.georeference.org/doc/cylindrical_equal_area.htm
M. Lapaine: Mollweide Map Projection, http://master.grad.hr/hdgg/kog_stranica/kog15/2Lapaine-KoG15.pdf
Tilastokeskus – Yhtenäiskoordinaatti, https://www.stat.fi/meta/kas/yhtenaiskoordin.html
ENCYCLOPÆDIA BRITANNICA – Mercator Projection, https://www.britannica.com/science/Mercator-projection
GISGeography – Cylindrical Projection: Mercator, Transverse Mercator and Miller, https://gisgeography.com/cylindrical-projection/
The Arthur H. Robinson Map Library – The Robinson Projection, https://geography.wisc.edu/maplibrary/the-robinson-projection/
Susanna Kukkavuori – Datan lähteistä ja karttaprojektioiden vertailusta, https://blogs.helsinki.fi/kukkasus/2019/01/30/datan-lahteista-ja-karttaprojektioiden-vertailusta/

Kurssikerta 1 – QGIS:iin tutustumista

Ensimmäisellä kurssikerralla tutustuttiin QGIS-ohjelmiston käyttöön ja laadittiin karttanäkymiä sen avulla. QGIS on Free and Open Source Software, eli maksuton ja avoimen lähdekoodin ohjelmisto. Ohjelmiston saa vapaasti ladata ja siihen saa tehdä muutoksia, mistä johtuen ohjelmistosta myös julkaistaan jatkuvasti uudempia paranneltuja versioita.

Kurssikerran tunnilla tehdyssä tehtävässä tutkittiin HELCOM:in aineistoa ja laadittiin sen perusteella karttanäkymä. HELCOM on Itämeren rantavaltioiden ja EU:n muodostama komissio, jonka tavoitteena on suojella Itämerta ja sen ympäristöä saastumiselta. HELCOM myös julkaisee Itämerta koskevaa tutkimusaineistoa. Tunnin tehtävän aineisto käsitteli eritoten Itämereen kohdistuvia typpipäästöjä. Suurin osa typpipäästöistä on lähtöisin ihmisväestön keskittymistä ja ihmisen toiminnasta, kuten maataloudesta ja teollisuudesta (HELCOM). Itämereen kulkeutuu typpeä vesistöjen lisäksi ilmakehästä, minkä takia päästöjä kertyy myös Itämeren rantavaltioiden ulkopuolelta.

Tehtävässä QGISissä muokattiin tasojen ulkonäköä ja pyrittiin luomaan kartasta selkeä ja luettava. Samalla pystyi kokeilemalla tutustua eri toimintoihin ja nähdä käytännössä, miten kukin toimii, mikä auttaa ohjelmiston käytön sisäistämistä. Tehtävän tekeminen oli kohtuullisen helppoa selkeiden ohjeiden ansiosta. Kartan ulkonäön muuttamisen lisäksi laskettiin uutta tietoa olemassa olevan perusteella. Tämä tehtiin ns. tekstikomentojen avulla, joiden käytössä en koe olevani vahvimmillani, joten oli hyvä, että laskenta tehtiin yhdessä kunnon ohjein. Uuden tiedon avulla pystyttiin visualisoimaan kartalle Itämereen kohdistuvien typpipäästöjen prosentuaalinen osuus valtioittain. Kartalla (kuva 1) typpipäästöjen osuus on ilmaistu oranssin ja punaisen sävyillä.

Kuva 1. Itämeren maiden osuudet Itämeren typpipäästöistä.

Kartan selkeyttämisen kanssa sai painia jonkin aikaa, ja tein karttaan useita muutoksia, mutta lopputuloksessa typpipäästöjen osuus näkyy mielestäni selkeästi. Puolalla on selvästi suurimmat päästöt ja Eestillä pienimmät. Suhteellisen pienet ovat myös Tanskan ja Saksan päästöt, minkä osittain – etenkin Saksan kohdalla sen ollessa suurempi ja teollisempi maa – saattaa selittää se, että mailla on valumaa myös muihin meriin, kuten Iina Rusanen huomioi omassa blogimerkinnässään. Suurin osa Saksan joista valuu Atlantin puolelle. Samasta maantieteellisestä syystä voi olettaa myös, että Venäjällä on kaiken kaikkiaan suuremmat typpipäästöt, sillä Venäjä on Puolan ja Saksan lailla iso maa, jolla on paljon teollisuutta ja maataloutta sekä suuri väkiluku.

Kuva 2. Ruotsinkielisten osuus Suomen kunnissa.

Toinen kurssikerran tehtävä suoritettiin omin avuin ja tarkoituksena oli laatia koropleettikartta Suomen kuntatasolla. Teemakarttaa tehdessä kävi selväksi, että vaikeamman vaihtoehdon suorittamiseen eivät riittäneet pelkät harjoituksen ohjeet. Valmiin harjoitusmateriaalin ulkopuolisten tietojen tuominen QGIS:in osoittautui hankalaksi, sillä en kyennyt yhdistämään .csv-tiedostoa kuntapohjaan. Tein siis tehtävän helpomman vaihtoehdon mukaan. Tiedot tehtävään ovat peräisin vuodelta 2015. Laadin teemakartan Suomen ruotsinkielisten osuuksista kunnissa (kuva 2). Kartalla näkyy selvästi, että ruotsinkielinen väestö on keskittynyt Suomen rannikkoalueille. Etenkin Pohjanmaalla, Ahvenanmaalla ja muutaman lounaisen Suomen kunnassa ruotsinkielisten osuus on suuri, yli 50% väestöstä. Pieni puute kartassa on se, että vaikka tiettävästi sisämaankin kaupungeissa asuu ruotsinkielisiä, ei se näin kuntatasolla tarkasteltaessa näy.

Tärkeää kurssilla on mielestäni alkaa hahmottaa, miten QGIS ohjelmistona toimii ja ennen kaikkea mitä sillä – ja paikkatieto-ohjelmistoilla yleensä – on mahdollista tehdä. Kurssikerralla myös kerrottiin, että ohjelmisto toimii jossain määrin muiden paikkatieto-ohjelmistojen, kuten ArcGIS:in ja MapInfon, tavoin, joten kurssin harjoitukset saattavat kehittää pohjaa myös muiden ohjelmistojen käytölle. Itsekin koin aiemmalla kurssilla CorelDraw-ohjelmiston käytön oppimisen hyötynä QGIS:iin tutustuessa. Muutkin kurssilaiset ovat selvästi ajatelleet samoin. Kuten CorelDraw’in kanssa, voisi olettaa, että QGIS:inkin kanssa harjoitus tekee mestarin.

 

Lähteet:

GQIS, https://qgis.org/en/site/about/index.html
HELCOM, http://www.helcom.fi/about-us
HELCOM – Fifth Baltic Sea Pollution Load Compilation (PLC-5), http://www.helcom.fi/Lists/Publications/BSEP128.pdf
HELCOM – Nutrient Inputs to the Baltic Sea, http://www.helcom.fi/baltic-sea-trends/eutrophication/inputs-of-nutrients/
Iina Rusanen – QGIS tutuksi, https://blogs.helsinki.fi/iinarusa/
Elina Huhtinen – Viikko 1 – QGIS ja siihen perehtyminen, https://blogs.helsinki.fi/huhelina/2019/01/16/viikko-1-qgis-ja-siihen-perehtyminen/
Ida Sihvonen – Introduktion & QGIS, https://blogs.helsinki.fi/idasihvo/2019/01/15/introduktion-qgis/