Seitsemäs kurssikerta – Biogeografiaa feat. QGIS

Viimeisellä kurssikerralla annettiin vapaat kädet tuottaa karttaesitys omasta mielenkiinnon kohteesta. Tavoitteena oli löytää itse oma paikkatietoaineisto netistä ja visualisoida se QGISin avulla kartalle mahdollisimman informatiivisella tavalla. QGISin käyttö tuntuu jo nyt niin luontevalta, ettei turhaa aikaa kulunut ohjelman kanssa painimiseen, ja pystyin keskittymään itse asiaan. Olen erittäin tyytyväinen, kuinka hyvin kurssin aikana opin käyttämään kyseistä paikkatieto-ohjelmaa.

Oma intohimoni kohde on aina ollut eläinten levinneisyys maapallolla ja siihen vaikuttavat tekijät. Päätinkin heti tehtävän kuultua tehdä karttaesitykset mielenkiintoista eliölajeista, tässä tapauksessa otin tutkintaan endeemiset nisäkäs- ja lintulajit (kartat 1 ja 2). Endeemisellä lajilla tarkoitetaan lajia, joka esiintyy vain tietyllä alueella. Tutkimuksessani kyseinen alue tarkoittaa valtion rajoja. Esimerkkinä endeemisistä nisäkäslajeista ovat mm. meksikon susi ja Australiassa elävät kengurulajit. Endemisiä lintulajeja ovat mm. Filippiineillä elävä filippiinienkotka ja Tansaniassa elävä pembanpöllönen. Tilastot kurssikertani karttoihin löysin The IUCN Red List of Threatened Species -sivustolta (http://www.iucnredlist.org/about/summary-statistics).

Vein IUCN Red List -sivuilta löytyvät taulukot Exceliin, jossa muokkaisin tiedoston CSV-muotoon. QGISissä pystyin yhdistämään joint-toiminnolla kotoperäisten lajien määrän valtioiden tiedokantaan. Näin sain aikaiseksi maailmankartan, jonka tietokannassa oli sarakkeina endeemisten lintujen ja nisäkkäiden määrä. Muokkasin vielä kartan tyylistä esitystavaksi graduated, jolloin sain aikaan koropleettikartan (kuvat 1 ja 2).

Kartoista 1 ja 2 voidaan huomata, että endeemisten lintu- ja nisäkäslajien esiintyminen painottuu samoille alueille ja kartoissa tummat alueet sijoittuvat lähes identisesti. Lajirikkaimmat valtiot sijoittuvat päivätasaajan läheisyyteen, jossa ympäristön olosuhteet ovat suotuisimmat suurelle biodiversiteetille. Esimerkiksi Brasiliassa, Perussa, Filippiineillä ja Indonesiassa on suuri määrä endeemisiä lintu- ja nisäkäslajeja. Sademetsissä elääkin yli puolet maailman maanpäällisistä eliölajeista.

”While tropical rainforests cover less than ten percent of Earth’s land mass, they are thought to house more than half the world’s terrestrial species. There are several reasons why rainforests are so diverse, including their climate, their vegetation structure, and competition between species.

Rainforests can be staggeringly more species-rich than temperate forests. For example, while temperate forests may be dominated by a half dozen tree species, a tropical rainforest may have more than 480 tree species in a single hectare (2.5 acres). More than 1,300 species of butterfly has been documented in a single park in Peru, while the entire European continent has less than 400 species.” (10 Rainforest facts for 2018, Rhett Butler, Mongabay)

Myös päiväntasaajan äärimmäisen läheisyydenkin ulkopuolella elää paljon endeemisiä lajeja. Erityisen paljon endeemisiä lajeja leveyspiiriinsä nähden elää esimerkiksi Austraaliassa, Meksikossa, Madagaskarilla, Kiinassa ja Yhdysvalloissa. Australia ja Madagaskar ovat hyviä esimerkkejä siitä, kuinka alueen eristyneisyys merien taakse on aikojen saatossa muokannut alueen eliöstöä ja evoluution myötä on kehittynyt lajeja, joita ei esiinny misään muualla. Tälläisiä lajeja ovat mm. kaikkien tietämät kengurut ja lemuridae-heimon edustajat, Madagaskarin makit.

Kuva 1. Endeemisten lintulajien määrä valtioittain
Kuva 2. Endeemisten nisäkäslajien määrä valtioittain

 

Innostuin GQISin kanssa leikkimisestä ja päätin vielä tehdä kolmannen teemakartan, joka kuvastaa uhanalaisten eläinten levittäytymistä maapallolla (kartat 3 ja 4). Löysin samaiselta IUCN Red list -sivulta taulukon, jossa on eritelty valtiokohtaisesti uhanalaisten eläinlajien määrä. Taulukossa kerrottiin myös onko laji äärimmäisen uhanalainen, erittäin uhanalainen vai vaarantunut. Muokkasin taulukosta CSV-tiedoston ja yhdistin sen jo aiemmissa kartoissa käyttämääni maailmankartan tietokantaan. Tein aluksi koropleettikartan karttapohjaksi, jossa eritellään, kuinka monta uhanalaista eläinlajia valtiossa on. Tämän jälkeen tein jokaiselle valtiolle vielä ympyrädiagrammin, joka osoittaa, kuinka uhanalaisia eläimet ovat kyseisen valtion sisällä (kartta 3). Muokkasin diagrammit niin, että ne skaalautuvat valtion pohjavärin (uhanalaiseten eläinten määrän) mukaan.

Kartta 3 oli mielestäni sekava, eikä siitä saanut selvää valtiokohtaisesti. Päätinkin muokata karttaa niin, että vain valtiot, joissa on yli 300 uhanalaista eläinlajia saa erikseen ympyrädiagrammin. Valitsin halutut valtiot Express by value -työkalulla. Lopputuloksena (kartta 4) syntyi mielestäni huomattavasti selkeämpi ja paremman näköinen kartta.

Eniten uhanalaisia eläinlajeja elää Yhdysvalloissa, yhteensä 1050 eläinlajia. Myös Meksiko on korkealla uhanalaisten eläinlajien listalla. Monen Meksikossa ja USA:ssa elävän uhanalaisen eläinlajin elinalue sijoittautuu molempien valtioiden sisälle. Ne ovat riippuvaisia molempien valtioiden populaatioista, jotta geneettinen monimuotiisuus lajin sisällä pysyisi korkeana. USA:n ja Meksikon väliin rakennettava muuri uhkaakin satoja eläinlajeja, sillä eläimet eivät pysty vapaasti vaeltamaan alueelta toiselle ja näin lisääntymisen myötä lisäämään geneettistä monimuotoisuutta populaatioiden sisällä.

”Evolutionary effects from the wall can change the balance of nature along the U.S.-Mexico border, putting wildlife in the area, including more than 100 endangered species, at risk,” wrote Egan. “Some of the larger animals that will be threatened by the border wall are the jaguar, ocelot, jaguarundi, Mexican gray wolf, desert big horn sheep and pronghorn antelope.” Egan’s comments jibe closely with a 2016 US Fish and Wildlife Service report claiming that an impregnable border between the two countries would “potentially impact” more than 111 endangered species, 108 migratory bird species, four wildlife refuges and fish hatcheries, and countless protected wetlands. Endangered animals listed in the report include bald eagles, sea turtles, various bats, mice, and even the West Indian manatee.” (George Dvorsky, Gizmodo, Trump’s Border Wall Could Threaten More Than a Hundred Endangered Species, Ecologist Warns)

Kuva 3. Uhanalisten eläinlajien määrä valtioittain. Ympyrädiagrammi määrittää vielä uhanalaisten lajien vaarantuneisuuden.
Kuva 4. Uhanalisten eläinlajien määrä valtioita kohden. Vain valtiot, joissa on yli 300 uhanalaista eläinlajia, on tarkasteltu ympyrädiagrammin avulla

 

Viitteet:

The IUCN Red List of Threatened Species, http://www.iucnredlist.org/about/summary-statistics

10 Rainforest facts for 2018, Rhett Butler, Mongabay, https://rainforests.mongabay.com/facts/rainforest-facts.html

George Dvorsky, Gizmodo, Trump’s Border Wall Could Threaten More Than a Hundred Endangered Species, Ecologist Warns, https://gizmodo.com/trump-s-border-wall-could-threaten-more-than-a-hundred-1797464525

Kuudes kurssikerta – maanjäristyksien tutkimista maailmalla

Kuudes kurssikerta alkoi auringon paisteessa ja päättyi maanjäristyksiin. Luennon ensimmäinen tehtävä oli kerätä paikkatietoaineistoa Kumpulan lähettyviltä Epicollect5 ohjelmalla. Tehtävä oli kiva toteuttaa ulkona auringonpaisteessa! Käytimme kännykän paikannusta ja vastasimme paikannuksen jälkeen muutamaan kysymykseen kohdealueesta. Kun palasimme koululle, yhdistimme aineistomme ja laadimme pistemuotoisesta aineostosta kartan. Kartasta pystyimme tutkimaan mm. alueiden turvallisuuden tuntua.

Seuraavaksi tutustuimme QGISin interpolointi toimintoon. Tutkimme valitun korttelin kauppojen määrää ja muodostimme pisteaineiston. Kun jokaiselle pisteelle annettiin numeroarvo, joka kuvasti kauppojen määrää, pystyimme interpoloimaan aineiston. Näin saimme suorakulmaisen tason, jossa näimme minne kaupat ovat keskittyneet.

Kurssikerran viimeinen ja varsinainen itsenäistehtävä oli tutkia maanjäristyksien esiintymistä maailmalla. Hain Pojois-Kalifornian maanjäristys datakeskuksen sivuilta* tilastot viimeisen 20-vuoden aikana tapahtuneista yli 6 magnitudin maanjäristyksistä. Kopioin tilaston Exceliin, jossa muokkasin tilastosta CSV-muotoisen aineiston. Hyödyntämällä maanjäristys tietokannassa olleita koordinatteja, pytyin muodostamaan QGISissä aineistosta pistemuotoisen paikkatietoaineiston. Lisäämällä vielä taustalle maailmankartta ja valtioiden rajat sekä luokittelemalla pisteaineisto magnitudin mukaan saatiin valmis kartta maanjäristyksistä (kuva 1).

Kuva 1. Maailmankartta yli 6 magnitudin maanjäristyksistä viimeisen 20 vuoden ajaltahttp://quake.geo.berkeley.edu/anss/catalog-search.html

Suurimpien maanjäristyksien sijoittuminen kartalla vastaa litosfäärilaattojen reunakohtien sijaintia. Maanjäristykset syntyvät, kun maankuoren murroksiin kertynyt energia ylittää kiviaineksen lujuuden ja jännitys purkaantuu. Litosfäärilaattojen reunakohdat ovat erityisen herkkiä suurille maanjäristyksille, sillä mannerlaattojen väliin kerääntyy helposti paljon energiaa.

”Maan litosfääri on muodostunut useista mannerlaatoista. Ne liikkuvat jatkuvasti astenosfäärin päällä, mutta kitka vastustaa niiden välistä liikettä, minkä seurauksena reunakohdissa syntyy usein maanjäristyksiä.” (Wikipedia, Laattatektoniikka)

Kuten kartasta voidaan todeta erityisesti mannerlaattojen alityöntö- ja sivuamisvyöhykkeillä, kuten Etelä-Amerikan länsirannikolla, Pohjois-Amerikan länsirannikolla ja itäisessä Aasiassa, esiintyy suuria maanjäristyksiä. Alityönnöllä tarkoitetaan tapahtumaa, jossa kaksi mannerlaataa törmää toisiinsa ja tiheämpi mereinen laattaa vajoaa harvemman mantereisen laatan alle astenosfääriin ja sulaa. Sulavasta laatasta vapautuva kosketeus mahdollistaa myös alityöntöauleiden vulkaanisuuden. Alityöntövyöhykkeistä kuuluisin on tyynenmeren tulirengas, jonka alueella tapahtuu noin 90% kaikista maailman järistyksistä.

”Roughly 90% of all earthquakes occur along the Ring of Fire” (National Geographic, Ring of Fire)

Tyynenmeren tulirenkaan alueella on havaittavissa monia alityöntövyöhykkeelle tyypillisiä muotoja. Esimerkiksi Aleutien vulkaaninen saarikaari Alaskassa ja Etelä-Amerikan länsirannikon mantereinen tulivuoriketju ovat esimerkkejä, kuinka eri alueilla alityöntö ilmenee.

* http://quake.geo.berkeley.edu/anss/catalog-search.html

Viitteet:

Wikipedia – Laattatektoniikka, https://fi.wikipedia.org/wiki/Laattatektoniikka, Luettu 22.2.2018

National Geographic – Ring of Fire, https://www.nationalgeographic.org/encyclopedia/ring-fire/, Luettu 22.2.2018

Viides kurssikerta, painintaa QGISsin kanssa

Viidennellä kurssikerralla perehdyttiin QGISsin puskuri-työkalun toimintaan ja kerrattiin aiemmin opittujen työkalujen käyttöä. Itsenäsitöiden tarkituksena ei ollut edellisten kurssikertojen tapaan luoda karttaesitystä, vaan kokea oivalluksia ja onnistumisen (sekä epäonnistumisen) hetkiä QGISsin parissa. Kurssikerran jälkeen oli uupunut, mutta oppinut olo.

Kurssikerran alussa tutkitiin ja tulkittiin Malmin ja Helsinki-Vantaan lentokenttien aiheuttaman melusaasteen vaikutusta lentoasemien läheisyydessä asuvien ihmisten arkeen. Tarkastelin esimerkiksi, kuinka monta ihmistä asuu alueella, johon Helsinki-Vantaan lentomelu aiheuttaa yli 55dB meluhaitan (taulukko 1). Etäisyyksiä lentokentästä tarkasteltiin puskuri-työkalulla (bufferi), joka oli mielestäni helppokäyttöinen ja kätevä työkalu. Lentoliikenteen aiheuttaman melun alueellisia haittoja taas tutkittiin Express by value -työkalulla. Kyseisellä työkalulla voidaan valita helposti tilastoista vain toivotut lukuarvot perustuen lausekkeeseen, jolla halutaan karsia vastauksia. Esimerkiksi tutkittaessa vähintään 55dB melun aiheuttamia haittoja, Express by value kaavioon asetettiin lausekkeeksi ”greater than 55”, jolloin saatiin toivotut vastaukset. Tätä työkalua käytettiin Spatial queryn kanssa yhdessä ja ne toimivat molemmat erinomaisesti. Spatial query on erinomainen työkalu, kun halutaan tutkia, meidän tapauksessa, melualueen sisällä sijaitsevien asukkaiden määrää. Komentona käytettiin tutkittavan tilaston (asukkaiden määrää) sisältymistä (with in) 55db melualueeseen. Kun valittiin vielä sigma merkki valikosta, saatin vasempaan alakulmaan halutut tiedot valituista arvoista.

QGISsin käyttäminen tuntuu jo erittäin jouhevalta, eikä alkuvaiheiden ”mitä nyt pitikään tehdä… ei mitää käsitystä” fiilistä ole tullut ikävä. Viides kurssikerta oli tähän astisista kerroista rankin, ja töitä oli paljon tehtävänä. Luennolla käytiin läpi kaikki tärkeimmät työkalut ja muisteltiin, kuinka näiden yhteispeli toimii. Päälimmäiset ajatukseni ovat seuraavat: Spatial query -työkalun käyttö on avannut uusia ovia paikkatietoaineistojen käsittelyyn ja buffer-toiminto osoittautui helpoksi ja käteväksi. Myös field calculator on osoittautunut yhdeksi tärkeimmistä työkaluista QGISsissä. Field calculator on mielestäni parhaiten osaamani ja oivaltamani työkalu, ja saan monet ongelmat ratkaistua kyseisellä toiminnolla. Vasta nyt viidennellä kurssikerralla ymmärsin Express by value ja Express by fearure -toimintojen kätevyyden. Tarvitsen kyllä vielä näissä toiminnoissa harjoitusta, jotta niiden käytöstä tulee luontevampaa.

Taulukko 1. Itsenäistöiden tuloksia

 

Neljäs kurssikerta

Neljännelle kurssikerralla tutusttiin ensimmäistä kertaa kurssin aikana rasteriaineistoon. Kurssikerran tavoitteena oli tuottaa ruudukkoaineisto, joka kuvastaa pääkaupunkiseudun jotakin väestöllistä tekijää. Alkuperäisessä aineistossa, josta työstin lopullisen kartan (kuva 1), pääkaupunkiseudun asuinrakennukset merkittiin pisteillä. Jokaiseen pisteeseen oli annettu ominaisuustietoa: kuinka monta ihmistä talossa asuu, minkä ikäisiä he ovat yms. Käyttämällä tätä ominaisuustietoa, laadin ruudukkomuotoisen kartan pääkaupunkiseudun eläkeläisten määrästä (kuva1). Jokainen ruutu on kooltaan 500m x 500m eli 0,25km^2. Määritin eläkeläisten iäksi yli 65-vuotiaat. Toki moni yli 65 vuotias on vielä töissä, mutta aineiston avulla ei töissä käyvien  määrää pystytty määrittämään. Kartta esittääkin paremmin eläkeikäisten määrän.

Kuva 1. Eläkeikäisten määrä (500m x 500m) ruutua kohden

Päätin määrittää eläkeläisten määrän absoluuttisena lukumääränä, enkä prosenttiosuutena. Näin pyrin välttämään haja-asutuksesta aiheutuvan vääristymän. Tuuli Lahin pohti mielestäni omassa blogitekstissään hyvin prosenttiosuuksista aiheutuvaa ongelmaa, jota pyrin välttämään:

”Ongelmana tässä kartassa oli tietenkin se, että myös pääkaupunkiseudulla on haja-asutusalueita, joissa 500 x 500 metrin alueella saattaa olla vain yksi asukas. Joissain paikoissa tämä yksi asukas sattuu olemaan eläkeläinen, ja tällöin suhteutettu prosenttiluku eläkeläistenmäärässä on 100 %, jolloin kartalla ruutu näkyy tummanpunaisena. Tämä antaa virheellisen kuvan eläkeläisten sijoittumisesta.”

Kartasta (kuva 1) voidaan havaita eläkeikäisten keskittymiä. Esimerkiksi Espoonlahden alueella, Tapiolassa, Pohjois-Helsingissä ja erityisesti Itä-helsingissä on paljon yli 65-vuotiaita.

QGISsin käyttö alkaa tuntua jo erittäin helpolta ja luonnolliselta. Koen hallitsevani ohjelman käytön erittäin hyvin ja autan aktiivisesti luennoilla muita oppilaita QGISsin käytössä.

Viitteet:

Tuuli Lahin 2018: https://blogs.helsinki.fi/lahintuu/, luettu 9.2.2018.

Suomen valuma-alueiden tulvaindeksin ja järvisyyden yhteys

Kolmannella kurssikerralla jatkettiin QGISsin käyttöä (yllatus ullatus) ja saatiin lopulta aikaiseksi kaksi teemakarttaa. QGISsin käyttö tuntuu jo hyvin luontevalta! Ensimmäisessä kartassa (kuva 1)  tutkitaan Suomen valuma-alueiden järvisyysprosenttia. Järvisyysprosentilla tarkoitetaan pronsenttilukua, joka syntyy kun valuma-alueen järvien pinta-ala (Ajärvet) jaetaan koko alueen pinta-alalla (Akok) kaavan mukaan:

(Ajärvet/Akok) x 100

Järvisyysprosentti visualisoitiin teemakarttaan pylväsdiagramilla (histogrammilla). Oli mielenkiintoista huomata, kuinka helposti QGISsilla sai aikaiseksi diagrammin karttaan eikä tarvinnut ruveta sähläämään Excelin kanssa.

Kuva 1. Pylväsdiagrammi Suomen valuma-alueiden järvisyydestä. Järvisyysprosentti lasketaan järvien pinta-alan ja valuma-alueen suhteella. Mitä korkeampi pylväs, sitä suurempi valuma-alueen järvisyys

 

Toiseen teemakarttaan visualisoitiin Suomen valuma-alueiden tulvaindeksi (kuva 2). Tulvaindeksi jäi hieman irralliseksi ja omituiseksi käsitteeksi, ja ajaa mitä todennäköisemmin saman asian kuin tulvariski. Tulvaindeksi  laskettiin kaavalla:

Tulvaindeksi = MHQ (keskiylivirtaama) / MNQ (keskialivirtaama)

Kartasta (kuva 2) voidaan todeta, että suurimmat tulvariskialueet ovat Pohjanmaalla ja Etelä-Suomessa. Kuten Wikipedia kertoo: ”Erityisesti Pohjanmaan jokivesistöt ovat tulvaherkkiä, koska ne virtaavat laakeilla alueilla eikä vesistöissä ole paljon virtaamaa tasaavia järviä. Lumien sulaminen keväällä tapahtuu yleensä koko jokien pituudelta samaan aikaan, koska joet virtaavat idästä länteen ja vettä tulee lyhyessä ajassa paljon.” (Tulva – Wikipedia), ovat Pohjanmaan jokivesistöt erityisen tulvaherkkiä järvien vähäisyyden ja alavan maan takia. Uudenmaan alueella taas merivesitulvat ovat ongelma.

Tutkimalla karttoja yhdessä (kuvat 1 ja 2) huomataan, että järvisyydellä ja tulvaindeksillä on selvä korrelaatio. Mitä vähemmän järviä alueella on, sitä suurempi tulvariski on. Tämä pitä paikkansa, sillä järvet tasaavat tulvivien jokien virtaamaa ja näin vähentävät sekä lieventävät tulvia.

Kuva 2. Koropleettikartta Suomen valuma-alueiden tulvaindeksistä.

Viittaukset:

Tulva – Wikipedia, https://fi.wikipedia.org/wiki/Tulva,

Luettu: 1.2.2018

Pinta-alan vääristyminen eri projektiossa

Toisella kurssikerralla jatkettiin QGISsiin perehtymistä, tutkittiin karttaprojektioiden välisiä eroja ja tuotettiin koropleettinen kartta Suomesta (kuva 1 ja kuva 2). Karttaan 1 visualisoitiin Mercatorin projektion ongelma – pinta-alan vääristyminen. Kuten kartasta nähdään, mitä pohjoisemmaksi mennään sitä suuremmaksi pinta-alan vääristymä kasvaa. Mercator projektio on paljon käytetty sen oikeakulmaisuudesta johtuen. Varsinkin merenkäynnin kannalta on tärkeätä että laajoissa kartoissa ilmansuuntien väliset kulmat ovat oikein. Myös tasavälisen lieriöprojektion (kuva 2) ongelma on pinta-alan vääristyminen pohjoissuunnassa, joskin huomattavasti pienemmässä mittakaavassa. Pinta-ala vääristymät tasavälisessä lieriöprojektiossa on -1% ja 44% välillä, kun taas Mercator vääristää pahimmillaan pohjoisten kuntien pinta-alaa yli 700%.

Harjoitus oli mielekäs ja muistutti, kuinka vääristynyt maailmankuva monella on perustuen Mercator pohjaisiin karttoihin. Harvalle ihmiselle tulee mieleen pohtia projektio valintaa karttaa katsoessaan. Paljon käytetyissä Mercator maailmankartoissa Grönlanti näyttää lähes koko Afrikan kokoiselta, vaikka todellisuudessa Afrikka on noin 14 kertaa Grönlantia pinta-alaltaan pienempi. Tämä johtaa vääristyneisiin mielikuviin ja lisää käsitystä Afrikasta Trumpin mukaisena perslävenä.

Mercator projektio aiheuttaa myös poliittisen ongelman. USA:ssa opetuksessa paljon käytetty Mercator projektio esittää Alaskan suurempana kuin koko  Meksikon. Tämä johtaa opetettavien lasten väärään käsitykseen valtasuhteista ja maailmanpolitiikasta. ”It alters the way you see the size – and, some people argue, the way you see the importance – of different parts of the world. So this isn’t just a cartographer’s dilemma – it’s a political problem.” (Five maps that will change the way you see the world (2017), Donald Houston)

Kuva 1. Koropleettikartta esittää pinta-alan vääristymisen Mercatorin projektiossa oikeapintaiseen Lambertin tasoprojektioon suhteutettuna.
Kuva 2. Tasavälisen lieriöprojektion (equidistant cylindrical projection 53002) aiheuttama pinta-ala vääristymä Lambertin oikeapintaiseen projektioon verrattuna Suomen kartalla.

Viittaukset:

Five maps that will change the way you see the world (2017), Donald Houston, University on Portsmouth, http://theconversation.com/five-maps-that-will-change-how-you-see-the-world-74967

Normalized nitrogen inputs of countries bordering the Baltic sea

Kuva 1. Itämereen vaikuttavat typpipäästöt valtioittain

Ensimmäinen kurssikerta pyhitettiin QGIS-ohjelman käyttöön ja opiskeluun. Kurssikerran lopputuloksena syntyi koropleettikartta (Kuva 1), joka esittää Itämeren valtioiden typpipäästöjä. QGISsin käyttö oli mielenkiintoista ja palkitsevaa, sillä lopputuloksena syntynyt kartta on tyylikäs eikä siihen kulunut turhan paljon aikaa.

Kartasta (kuva 1) voidaan tulkita, että Virossa on Itämeren pienimmät typpipäästöt, kun taas Puola, Ruotsi ja Venäjä ovat suurimmat päästöjen aiheuttajat. Kuten Kim-Henrik Helanne käsittelee omassa blogitekstissään, rantaviivan pituudella on merkitystä typpipäästöjen suhteellisissa osuuksissa. Hän toteaa, että typpiaineiston tarkastelussa tulisi ottaa huomioon mm. Itämereen laskevien jokien vaikutus typen kuljettajina. Tällöin voitaisiin tutkia typen kulkeutumista sisämaasta laajemmalta alueelta.

Typen merkitys saasteena tulee ilmi Toni Silvennoisen julkaisusta (Toni Silvennoinen, Kemian laitos, Helsingin yliopisto, Typen vaikutus Itämereen (2017) ”Typpi on yksi suurimmista ravinnonlähteistä Itämerellä ja monet bakteerit sekä levät käyttävät sitä yhteyttämisessään. Sen liiallinen määrä meressä aiheuttaa kuitenkin rehevöitymistä ja vaikuttaa negatiivisesti ekosysteemien kuten Itämeren normaaliin toimintaan.”. Typen liiallinen määrä huonontaa siis Itämeren kuntoa ja lisää kesällä uimareiden tuskaa voimistamalla sinileväesiintymiä.
Viittaukset
Toni Silvennoinen, Kemian laitos, Helsingin yliopisto, Typen vaikutus Itämereen (2017) , http://docplayer.fi/49553328-Typen-vaikutus-itameressa.html
Helanne Kim-Henrik. (21.01.2018). Ensimmäinen harjoitus. <https://blogs.helsinki.fi/helanne/2018/01/21/ensimmainen-harjoitus/> Luettu 22.01.2018