Kurssi on tullut päätökseensä ja sen mukana myös kurssiblogin kirjoittaminen. Kurssin alkaessa kritisoin ja kriiseilin mielessäni tätä suoritustapaa. Kuitenkin, kurssin edetessä huomasin, että tämä on tähänastisista kurssien suoritustavoista mielestäni kaikista mielekkäin. Arttu ohjeisti blogin kirjoittamisen niin, että se on melko vapaata, ja että tekstin tulee sisältää omia ajatuksia ja pohdintaa tehtävistä sen sijaan, että blogiin olisi listattu vaihe vaiheelta harjoitusten kulkua. Tämän vuoksi blogipostauksia on ollut melko helppo kirjoittaa. En ylianalysoinut sitä, mitä päässäni liikkui ja miettinyt “Sopiiko tämä nyt oikeasti tähän? Voinko kirjoittaa tällä tavalla? Onko okei myöntää, että epäonnistuin?”.
Luulin olevani mestari karttojentekijä ja kartanpiirtäjä, mutta tämän kurssin aikana huomasin, että ei piru minullahan on todella paljon oppimista vielä. Karttojen tekohetkellä kartat tuntuvat aina täydelliseltä, kuin omaa lastaan katsoisi. Sitten annoin karttojen muhia pari päivää ja lähdin kirjoittamaan blogipostausta. Joko tässä vaiheessa huomasin, että oho asia x puuttuu ja asia y olisi ollut paljon parempi toisenlaisena. Jos en tässä vaiheessa, niin viimeistään siinä, kun katson läpi muiden blogipostauksia ja karttoja. Jokaisella viikolla olen löytänyt jotain parannettavaa omista kartoistani ja löytänyt paljon uusia asioita (luokkien määrä, kartan väritys, yleinen ulkoasu) joihin kiinnittää huomiota.
Aluksi tuntui pelottavalta, että muut pystyvät lukemaan omia tekstejäni. Kuitenkin kaikki kommentit, joita olen saanut ovat olleet todella positiivisia ja piristivät aina päivääni. Oli myös todella helpottavaa käydä muiden blogeissa etsimässä inspiraatiota ja vastauksia. Muiden teksteihin viittaaminenkaan ei ollut aivan kamalaa. Tämä “mekaniikka” pakotti minut käymään muiden blogeissa ja voin varmuudella sanoa, että kävin jokaisen kurssilaisen blogissa ainakin kerran tämän kurssin aikana. Näistä blogeista löysin vertaistukea ja inspiraatiota. Kiitti tyypit 🙂
Tällä kurssilla opin niin karttojen tekemisestä, tietokannoista, QGIS:sistä kuin myös itsestäni ihmisenä ja ennen kaikkea opiskelijana. Näiden sanojen saattelemana haluan kiittää kurssista ja todeta, että…
Viimeinen kurssikerta… Todellinen uhka vai mahdollisuus –tilanne. Saimme valita joko aivan kokonaan vapaasta tehtävänannosta tai tehtävästä maastotietokannan parissa. Jälkimmäinen ei niinkään kiinnostanut minua, joten lähdin etsimään aineistoa ensimmäistä tehtävää varten. Sitä varten minun tarvitsi päättää alue ja aihe sekä löytää tälle alueelle pohjakartta ja sopivia muuttujia.
En oikein tiennyt, olisiko alueeksi kannattanut ottaa jonkin valtio vai maanosa. En halunnut valita Suomea, sillä se olisi ollut liian helppo nakki. Aluksi mietin Ranskaa, mutta en oikein löytänyt hyviä aineistoja. Ranskaksi etsimällä löysin joitakin ranskankielisiä aineistoja, mutta suurin osa aineistoista oli maksumuurien takana. Myös Petri Manninen oli todennut saman etsiessään aineistoja ja päättänyt vaihtaa aihetta. Päätin itsekkin siis siirtyä Euroopan tutkailemiseen.
Onneksi kuulun perjantain ryhmään ja jotkut aikasemmissa ryhmissä olivat jo ehtineet tehdä omat karttansa ja postata ne blogiinsa. Huomasin, että todella moni oli käyttänyt tiedotusblogiin valmiiksi linkattua maailmankarttaa ja siitä rajannut Euroopan tai jonkin muun maanosan alueekseen. Itse en tätä halunnut tehdä, sillä mielestäni Eurooppa näyttää kovin vinolta maailmankarttaprojektiossa. Euroopan kartan löysin onneksi melko nopeasti Eurostat-palvelusta: pohjakartta ✓.
Pohjakartan löydyttyä piti vielä löytää muuttujia esitettäviksi. Tähän menikin suuri osa projektiin menneestä ajasta. En ensinnäkään osannut päättää halusinko käytää ihmisiin vai luontoon kohdistuvia muuttujia. Kuitenkin tuntien etsimisen jälkeen löysin käyttökelpoisen ja kiinnostavan tiedoston Natura-alueiden määrästä Euroopassa. Sen kaveriksi löysin aivan mahtavan kasvillisuusvyöhykerajauksen. Halusin käyttää molempia, joten tein kaksi erilaista karttaa.
Karttojen tekeminen olisi ollut helppoa, jos aineistoni olisi halunnut tehdä yhteistyötä. Lataamani NUTS-kartta-aineisto sisälsi tiedon kaikista alueen valtiosta kolmeen kertaan. Ensimmäisellä tasolla olivat valtiot, toisella suuralueet ja kolmannella maakunnat. Nämä olivat kuitenkin kaikilla valtioilla hieman sekaisin ja aivan eri kokoisina. Käytin siis suureen osaan aineistosta maakuntajaottelua, mutta esimerkiksi Saksan, Puolan ja Tsekin kohdalla yhdistin maakunnat suuralueiksi, jotta saisin alueista järkevämmän kokoisia. Kuitenkin karttojen valmistuttua tajusin, että sama prosessi olisi kannattanut tehdä muutamalle muullekkin valtiolle (Ranska, Alankomaat, yms.), sillä nyt näissä valtioissa on paljon pienempiä osia. Suhteessa kuitenkin Alankomaat on yhden Suomen maakunnan kokoinen ja sen maakunnat ovat todella pieniä. Alueiden koon vuoksi kartan tulokset eivät tule kovin hyvin esiin. Uusia tummia vihreitä alueita saataisiin varmasti muodostettua, jos pieniä alueita yhdisteltäisiin suuremmiksi.
Kartassa ongelmana oli myös se, että kartta oli NUTS-alueesta (EU), eikä Euroopasta. Jouduin siis itse etsimään ja lisäämään karttaan joitakin valkoisena olevia valtioita, kuten Serbian, Montenegron ja Kosovon. Onneksi googlettamalla valtioiden shapefileja löysin todella helposti yksittäisten valtioiden tiedostoja, joissa oli vielä samantyyppinen aluejaottelu. Ihanaa! Aluksi ajattelin, että tiedon etsiminen olisi ollut tehtävän hankalin vaihe, mutta kuten Salla-Sofia Leppiniemi blogissaan toteaa, on datan yhtenäistäminen ja ulkonäöltään siistiksi saaminen myös yksi harjoituksen suurista haasteista.
Päätin tehdä kartan näillä melko sopivilla aluerajauksilla, sillä jokaisen valtion läpikäyminen olisi vienyt aivan liikaa aikaa ja kartan pääpointti tulee näinkin selväksi. Kartassa on kuitenkin valitettavasti havaittavissa, että esimerkiksi suuret valtiot, jotka on jaettu pieniin osiin kuten Ranska ja Romania, ovat kauttaaltaan keltaisia, eikä luonnonsuojelualueiden alueellisuus tule kovin hyvin ilmi. (Olin myös täysin unohtanut, että luokkien määrää voi vaihtaa. Säätelin kyllä luokkarajoja mutten tajunnut lisätä luokkien määrää variaation lisäämiseksi. Sen siitä saa kun väsyneenä tekee hommia monta tuntia putkeen :(.)
Kuitenkin, kartassa näkyy, että kaikista eniten Natura 2000 -alueita on Pohjois- ja Itä-Euroopassa sekä Britteinsaarilla. Kaikista vähiten alueita näyttää olevan Etelä-Euroopassa ja Romaniassa. Karttaesitys ei ole täydellinen kuvaamaan Natura-alueiden “todellista määrää”, sillä se kuvaa vain alueiden määrää eikä niiden laajuutta. Kartta olisi voinut näyttää todella erilaiselta, jos siinä esitettäisiin luonnonsuojelualueiden eikä Natura 2000 -alueiden määrää (näin mukaan oltaisiin saatu myös tällä hetkellä valkoiset valtiot), tai jos siinä esitettäisiin alueiden määrä pinta-alana. Alueiden absoluuttinen määrä tulee ilmi toisessa tekemässäni kartassa.
Kuva 1: Natura 2000 -alueiden määrä maakunnittain.
Toisessa tekemässäni kartassa käytin samaa aluejaottelua ja tätä aiemmin jo mainittua kasvillisuusvyöhykkeiden rajausta. Tehtävänannolle uskollisena halusin esittää (ainakin yrittää) kartalla kahta eri muuttujaa, joten halusin näyttää kartalla luonnonsuojelualueet ja kasvillisuuden. Tämä kuitenkin osoittautui aivan älyttömän vaikeaksi alueiden suuren määrän vuoksi. Kokeilin eri tapoja esittää Natura-alueiden määrää kartalla, mutta kaikki tuntuivat omalla tavallaan huonoilta. Kyseinen kartta on hienoinen kompromissi, jossa suurempien alueiden luvut erottuvat hyvin ja joidenkin pienten valtioiden (anteeksi Alankomaat ja Belgia) todella huonosti. Kartan idea toimisi kuitenkin hyvin, kunhan kartta vain olisi tarpeeksi iso. Esimerkiksi, jos kartta olisi koko seinän kokoinen ja esillä virastossa tai museossa, ei lukujen tarvitsisi olla kovinkaan suuria, kunhan alueet pystytään näyttämään tarpeeksi suurina. Tässä linkki karttaan sen oikeassa koossa. Näin karttaan voi zoomata sisään ja joitakin lukuja voi nähdä paremmin. Kaikista hankalimpia olivat kuitenkin pienet saaret Espanjan lounaispuolella, sillä niissä luvut eivät mahtuneet alueiden sisälle, vaikka kuinka muutin ja säädin niiden ulkonäköä. Päätin lisätä ne myöhemmin kuvaan käyttämällä erilaista visualisointia.
Kuva 2: Euroopan kasvillisuusvyöhykkeet ja Natura 2000 -alueiden tarkka määrä maakunnittain.
Kaiken kaikkiaan viimeinenkin tehtävä oli opettavainen ja hyvää harjoitusta. Onhan tärkeää ohjelmien käytön lisäksi osata myös löytää aineistoa, jota sitten käsitellä ja esittää kartalla. Aineistoa löytyy vaikka millä mitalla, mutta vain osa siitä oli oikeasti käyttökelpoista tai jokaisen saatavilla. (Onnistuin myös aineistoa etsiessäni unohtamaan, että aineiston lähteet olisi hyvä kirjata ylös ja näin muutamaa viikkoa myöhemmin minulla ei ole enää mitään hajua, mistä olen löytänyt Natura-alueiden määrää ja kasvillisuusvyöhykkeitä kuvaavat aineistot. Oopsis.)
P.S. Nelli Junttilan kartta Brasilian kasvillisuusalueista (kuva 6) ON MAHTAVA ♡❤♡
Jee tämä oli todella kiva kurssikerta! Kuudennella kurssikerralla olimme kenttätöissä niin ulkona kuin sisälläkin ja lopuksi teimme omatoimisesti karttoja. Kovasta -20°C pakkasesta huolimatta vietimme ensimmäisen tunnin ulkona kenttätöissä luomassa omaa pientä paikkatietoaineistoamme Epicollect 5 -sovelluksen avulla. Oli siistiä huomata kuinka helposti voi myös itse tuottaa aineistoa, jossa on mukana koordinaatit ja sen voi esittää kartalla. Kuvasta 1 nähdään, että ryhmämme hajaantui laajalle alueelle kampuksen ympärille. Suurin osa havainnoista on aivan kampuksen läheltä ja Arabian kauppakeskuksesta. Kuvasta on näköjään unohtunut legenda, mutta kuvassa pisteiden väri korreloi koetun turvallisuuden kanssa. Pisteitä rekisteröitäessämme vastasimme muutamiin kohdetta koskeviin kysymyksiin muun muassa sen turvallisuudesta, viihtyvyydestä ja siitä, miten siellä vietetään aikaa. Mitä tummempi piste, sitä suurempi arvo (1-5) eli sitä vaarallisemmaksi paikka koettiin.
Kuva 1: Epicollect 5 -sovelluksella luotujen pisteiden paikat OpenStreetMap-taustakartalla.
Oman aineistomme tutkailun jälkeen siirryimme “kenttätöihin” sisälle. Käytimme Google StreetView:ta apuna kaupunkikuvan tutkimisessa. Omalla tavallaan jopa ällistyttävää, että kunhan karttatasojen tietoihin on liitetty sijaintitiedot, voi ne yhdistää minkä tahansa muun kartan kanssa. Harjoituksessa liitimme Helsingin tie- ja rakennusverkkoon Google Mapsin StreetView:n tiedot. Tämän avulla tulkitsimme jonkin Helsingin korttelin kaupallisuutta ja tulokset havainnollistimme interpoloinnin avulla. Liisa Niemi on myös liittänyt oman tuloksensa interpoloinnistaa blogiinsa ja tulos on varsin hieno! Olisinpa itsekin tajunnut lisätä karttaan kadunnimet, jotta kaupallisuuden olisi voinut liittää sijaintiin. Muistan vain, että omat korttelini löytyivät jostain läheltä Helsingin ydinkeskustaa (Kamppi-Rautatieasema).
Kuva 2: Interpolointi eräiden Helsingin korttelien kaupallisuudesta. Mitä tummempi väri kartalla, sitä kaupallisempi alue on.
Viimeinen tehtävä oli tuottaa kolme hasardeista kertovaa karttaa. Käytettävissä oli aineistoa maanjäristyksistä, tulivuorista ja meteoriittien putoamispaikoista. Suurin haaste harjoituksessa oli päättää, millaisia karttoja haluan tuottaa. Ainoa ohjeistus oli, että tuotettuja karttoja voisi opettajana käyttää tuntiopetuksessa. Halusin käyttää kaikkia kolmea eri aineistoa ja luoda hieman erilaisia karttoja näillä kaikilla.
Kuva 3: Lähi-Idässä sijaitsevat tulivuoret tyypin mukaan ja yli 5.8 magnitudin maanjäristykset.
Aloitin työskentelyn luomalla jonkin itselleni poikkeuksellisen kartan. Tarkastelin maanjäristysten ja tulivuorten sijoittumista ja valitsin alueen, jolla yleensä ei tiedetä olevan kyseisiä hasardeja. Arabian niemimaalla on kuitenkin oma litosfäärilaattansa ja täten sillä on tektonista ja vulkaanista toimintaa. Tulivuoriaineisto oli yllättävän monipuolinen, sillä sijainnin lisäksi aineistosta löytyi myös tulivuorityyppi. Tästä nähdään, että alueella on monen eri tyypin tulivuoria. Tämän vuoksi myös päätin tehdä kartan englanniksi, sillä en ollut varma kaikkien termien suomenkielisistä vastineista. Kaikista eniten on vulkaanisia kenttiä Saudi-Arabian alueella. Maanjäristyksiä puolestaan löytyy Iranin ja Pakistanin alueelta.
Kuva 4: Saudi-Arabian laavakentät. Lähde: http://www.sgs.org.sa/English/
Opetuksessa karttaa voisi käyttää juuri yllätyksellisyytensä vuoksi ja sen avulla voi myös opettaa tulivuorityypeistä. Aiheestä löytämäni kuva internetistä kuvaa Saudi-Arabian tärkeimpiä laavakenttiä, jotka kattavat huomattavan alueen valtion pinta-alasta. Opetuksessa voitaisi myös käydä läpi kyseisten hasardien vaikutuksia Lähi-Idälle niin nyt kuin historiassakin.
Kuva 5: Vuoden 2002 jälkeiset maanjäristykset voimakkuuden mukaan. Kartalla korostettuna Tyynenmeren tulirengas.
Ensimmäinen kartta oli syntynyt melko nopeasti ja vaivattomasti ja jatkoin energisenä toiseen karttaan. Tässä kartta-animaatiossa maanjäristykset on jaettu kokonsa mukaan luokkiin. Violetilla on yli 9 magnitudin järistykset, punaisella yli 8, tummalla oranssilla yli 7, vaaleammalla oranssilla yli 6 ja keltaisella yli 5.8. Legenda ei sopinut karttaan. Saadakseni lisäarvoa karttaan, etsin netistä tiedoston, jossa näkyy litosfäärilaattojen rajat. Näitä rajoja seuraten lisäsin myös karttaan bufferin, joka korostaa Tyynenmeren tulirengasta. Animaatiosta näkyy hyvin, kuinka kaiken kokoisia maanjäristyksiä esiintyy ympäri maailmaa, ja kuinka maanjäristykset keskittyvät mannerlaattojen rajoille. Kuten Elli-Nora Kaarto blogissaan kirjoittaa, esiintyy maanjäristyksiä litosfäärilaattojen alityöntö- sekä loittonemisvyöhykkeillä ja valtamerten keskiselänteillä. Tätä tietoa voi hyödyntää opetuksessa ja kartan avulla voidaan myös syventyä myös Tyynenmeren tulirenkaan toimintaan. Suurin keskittymä on juuri Tyynenmeren tulirengas. Olisin halunnut muokata karttaa niin, että sen keskellä on Euroopan ja Afrikan sijaan Tyynimeri, jotta tulirengas näkyisi kokonaisena.
Kuva 6: Kaikki 1900-luvulla pudonneet meteoriitit ja viiden suurimman löytöpaikat, -painot ja -vuodet.
Kuten jo aiemmin mainitsin, halusin käyttää tehtävässä kaikki 3 aineistoa. Meteoriittiaineisto oli myös todella laaja, sillä siinä oli kaikki koskaan löydetyt ja pudonneet meteoriitit. Viimeinen kartta oli todella aikaavievä, sillä en oikein tiennyt, miten luokitella aineistoa. Loppujen lopuksi lajittelin aineiston niin QGIS:sissä, kuin jo lataussivustolla ainakin neljä kertaa, sillä aina löysin jotakin muutettavaa. Latasin aineiston painon mukaan (ja kyllä otin huomioon luokkarajat, tein lajittelun tyyliin 5,00001 kg – 10 kg). Tein kartan niin, että luokkarajat ovat tasalukuja, ja että luokissa on suurinpiirtein saman verran arvoja. Yllätyin siitä, kuinka paljon suuria meteoriitteja putosi 1900-luvulla. Tätä voisi korostaa opetuksessa ja myös sitä, kuinka paljon todella pieniä meteoriitteja maahan putoaa. Tuodakseni karttaan jotain erityistä ja korostaakseni ääripäitä, lisäsin karttaan vielä top-5 suurimmat meteoriitit. En ollut koskaan tajunnut, että 1900-luvulla putosi yli tuhansien kilojen meteoriitteja. Kuitenkin tätä tehdessäni huomasin, että aineistostani puuttuivat kokonaan juuri nuo 5 suurinta. Olin lataussivustolla onnistunut jättämään painohaarukan liian pieneksi. Sivusto määritteli meteoriittien painon grammoina ja suurimmat meteoriitit ovat yli 1 100 000 grammaisia. Tämän vihdoin selvittyä sain korjattua karttani ja huh huh, että olin tyytyväinen.
Miika Kastarinen on blogissaan myös tehnyt kartan käyttäen meteoriittiaineistoa. Hänen kartassaan on esitettynä kaikki meteoriittikraaterit, eli niin pudonneet kuin löydetyt meteoriitit. Itse olin keskittynyt meteoriittien kokoon, sillä tiesin niiden sijoittumisen olevan sattumanvaraista. Kastarinen on kuitenkin kiinnittänyt huomiota meteoriittikraaterien klusteroitumiseen. Yhtäkkiä sattumanvaraisesta hasardista tuleekin mielenkiintoinen, kun otetaan huomioon se, että eniten kraatereita on löydetty asutuilta alueilta ja aavikoilta, joista niitä on helppo havaita. Eniten meteoriitteja todellakin on asutuilla alueilla Euroopassa ja Yhdysvalloissa, muttei juurikaan Brasiliassa tai Venäjällä. Hän myös tuo esiin konrrelaation meteoriittikraaterien määrän ja bruttokansantuotteen kanssa. Näitä pointteja voisi myös tuoda esiin opetuksessa. Yllättävän mielenkiintoista!
Hasardit ovat itseäni kaikista eniten kiinnostava maantieteen haara ja sen vuoksi näitä karttoja oli erityisen mielenkiintoista tehdä. En ole aivan varma sopivatko kartat tehtävänannon opetustarkoituksiin, mutta ainakin itse opin jokaisesta kartasta jotakin.
Voi pojat. Tämä kurssikerta oli todellinen haaste. Tällä kurssikerralla painopiste oli itsenäisissä tehtävissä, jotka keskittyivät puskuri- ja analyysityökaluihin. Ensimmäistä tehtävää lukuunottamatta tehtäviin ei ollut lainkaan teknisiä ohjeita, vain ohjeistus siitä, millaisia vastauksia tulisi saada. Jos siinä siis onnistui. Kurssikerta tuntui hienoiselta epäonnistumiselta kohdallani, sillä blogitehtävän ohjeissa todetaan näin: “Oikeita vastauksia tärkeämpää on siis osoittaa, että on ymmärtänyt sen mitä on tehnyt!” Ymmärrän kyllä sen, mitä olen tehnyt, mutta osa hankalimmista tehtävistä jäi kohdallani tekemättä ymmärryksen puutteen vuoksi.
Tällä hetkellä tärkeimmät ja hyödyllisimmiltä tuntuvat työkalut ovat Spatial Query, Select by Expression ja Select Features by Value. Näillä työkaluilla tehdään valintoja eri kriteerein. Valintojen tekemisellä aineistoa voidaan jakaa pienempiin osiin ja selvittää melkein minkälaisia tahansa asioita. Myös uusien tasojen ja Temporary Scratch Layerien tekeminen on osoittautunut hyödylliseksi. Uusin tasoihin voi luoda omia viiva-, piste- ja aluekohteita. Tärkeä on myös Field Calculatorin käyttö, jonka avulla voidaan luoda uutta tietoa. Kurssikertojen ja harjoitusten jälkeen valintatyökalujen käyttäminen käy jo helposti, mutta Field Calculator tuottaa vielä jonkin verran hankaluuksia.
Kuva 1: Havainnekuva harjoituskerran tehtävistä. Kyseisessä tehtävässä hyödynnettiin bufferin muodostamista itse piirrettyjen viivojen ympärille, jotta saadaan mitattua etäisyyttä hieman monimutkaisemmastakin kohteesta.
Suuri osa tämän kurssikerran harjoituksista liittyi puskurointiin. Puskurivyöhykkeillä voidaan selvittää, jääkö jokin kohde tietyn alueen sisälle vai ei. Voi olla järkevää kartoittaa sitä, saadaanko jotain tietyn alueen sisään ja myös onnistutaanko jotain pitämään tietyn alueen ulkopuolella. Kurssikerran tehtävissä tarkasteltiin mm. ihmisten määrää taajamissa ja asemien lähellä, mutta myös niiden vaikutusalueiden ulkopuolella. Samaa voidaan hyödyntää esimerkiksi maatalouden päästöjen laajuuden kartoittamiseen tai joukkoliikenteen pysäkkien välimatkojen määrittämiseen.
Kuva 2: Havainnekuva toisesta harjoituksesta. Harjoituksessa tehtiin useita yksittäisiä buffereita valmiiksi määrättyjen objektien, tässä tapauksessa juna- ja metroasemien ympärille.
Joitakin toimintoja rajoittaa aineiston tyyppi. Esimerkiksi tehdessäni tehtävää ulkomaalaisten prosentuaalisesta määrästä alueittain, en voinut käyttää joitakin tietokantoja yhdistäviä tietoja. Halusin yhdistää yksittäiset kohteet alueiden mukaan, mutta yhdistymisen seurauksena tilastotiedot hukkuivat. Yritin käyttää niin Merge Vector Layers, Dissolve kuin Merge Selected Features toimintoja. Kurssikerralla III käytimme kyseisiä toimintoja yhdistämään alueita, joissa ei ollut yksityiskohtaista tilastotietoa.
Taulukko 1: Vastauksia kurssikerran tehtäviin.
Kurssikerran tehtävistä suurin osa onnistui mallikkaasti, mutta kahteen kohtaan en saanut vastausta. Käytin kaikki kolme oljenkorttani: 1. Etsi ohjeita muiden blogeista, 2. Yritä löytää apua googlesta, 3. Kysy äidiltä. Ensimmäinen ongelmani oli yllämainittu ulkomaalaisten määrä, jossa en saanut tietoja jaettua alueisiin. Toisena ongelmana oli uima-altaiden määrä alueittain. Yritin yhdistää tietokantoja niin Merge- kuin Join-toiminnoilla. Yritin myös Join Attributes by Location ja Count Points in Polygon -toimintoja, mutta molemmat vastasivat erroreilla. Aivan kuten Vivi Tarkka blogissaan toteaa, kaikista hankalinta on minunkin mielestäni löytää oikea työkalu milloin mihinkin ongelmaan. Olen kuitenkin samaa mieltä siitä, että vauhtiin päästyäni alkavat hommat yleensä sujua helpommin.
P.S. Täällä minä tulevaisuudesta kurssin loppupuolelta! Käytin Join Attributes by Location toimintoa onnistuneesti viimeisellä kurssikerralla, joten uskon, että koneeseeni oli vain iskenyt bugi, jonka vuoksi työkalu ei antanut mitään vastauksia! Se helpotuksen tunne, kun työkalu toimiikin niinkuin piti 🙂 Näköjään Ilmosen Kati on törmännyt saman tyyppisiin ongelmiin omassa työskentelyssään ja kirjoittaa siitä blogissaan.
Kurssikerralla neljä harjoittelimme ruudukon käyttöä aineiston havainnollistamisessa. Käytössämme oli koko pääkaupunkiseudun laajuinen aineisto, josta löytyi erinäisiä tietoja alueen asukkaisiin liittyen. Tein suhteelliset teemakartat eläkeläisten, ruotsinkielisten, ulkomaalaisten ja vieraskielisten osuuksista. Käytin kartoissa 1 000 m × 1 000 m ja 200 m × 200 m ruutuja.
Mielestäni kaikista mielenkiintoisin tutkimusaihe on eläkeläisten eli yli 64-vuotiaiden määrä Helsingissä. Kartassa 1 nähdään, että eläkeläisiä on prosentuaalisesti kaikkialla aikalailla yhtä paljon. Kuitenkin on alueita kuten Helsingin Karhusaari, Sörnäinen ja Viikki sekä Espoon Latokaski ja Nöykkiö, joissa eläkeläisiä on vähemmän.
1. Eläkeläisten osuus prosentteina pääkaupunkiseudulla 200 m x 200 m ruudukossa.
Kurssikerta osoittautuikin olevan oletettua kinkkisempi. Aluksi ajattelin, että tietenkin kaikki teemakartat kannattaa tehdä muuttujan suhteellisilla osuuksilla. Helsingissä ja varsinkin sen keskustassa asuu eniten ihmisiä, joten on myös loogista, että sieltä löytyy eniten mitä tahansa muuttujaa. Ajattelin, että tämän vuoksi kaikista kartoista tulisi suurin piirtein samanlaisia. Kuitenkin myös suhteellisissa osuuksissa on omat ongelmansa. Vivi Tarkka on huomannut saman ongelman kuin minä ja blogissaan toteaakin, että suhteellisten osuuksien käyttäminen saa muuttujan jakautumaan todella tasaisesti ympäri karttaa.
Suhteellisten osuuksien käyttämisen vuoksi on myös mahdollista, aivan kuten omassakin kartassani on käynyt, löytää ruutu, jossa muuttujaa on 100%. Tämä kuitenkin vain harvoin tarkoittaa, että alueella olisi paljon vain jotakin tiettyä muuttujaa eikä mitään muuta. Se on yleensä merkki siitä, että alueella on vain 1 muuttuja, tässä tapauksessa yksi eläkeläinen. Nämä 100% ruudut vääristävät aineistoa ja kartan informaatiota valtavasti. Eemil Becker ehdottaa blogissaan ratkaisuksi kuvattavan alueen rajaamisen pienemmäksi, ruutukoon pienentämisen ja vääristävien ruutujen pois jättämisen.
Ovatko absoluuttiset arvot siis aina parempia kuin suhteelliset? Kuten jo aiemmin sanoin, absoluuttiset arvot korostavat alueita, joilla on enemmän ihmisiä. Absoluuttiset arvot ovat silloin hyviä, kun alueilla on suurin piirtein saman verran väestöä. Silloin muuttuja jakautuu oikein oman jakaumansa eikä ihmisten sijoittumisen vuoksi. Absoluuttisia arvoja kannattaa käyttää silloin, kun halutaan tietää kokonaismäärää eikä suhteellisia osuuksia ja silloin, kun aineisto on vääristynyt.
2. Ruotsinkielisten osuus prosentteina pääkaupunkiseudulla 1 000 m x 1 000 m ruudukossa.3. Ulkomaalaisten osuus prosentteina pääkaupunkiseudulla 1 000 m x 1 000 m ruudukossa.4. Vieraskielisten osuus prosentteina pääkaupunkiseudulla 200 m x 200 m ruudukossa.
Liitin blogipostaukseen mukaan kaikki 4 karttaa, jotka tein kyseisellä kurssikerralla. Kaikista löytyvät samat virheet, jotka johtuvat muuttujien tasaisuudesta sekä ääriarvojen luomista vääristymistä. Ruutukoosta mielestäni 1 000 m × 1 000 m on onnistuneempi, kuin pienempi 200 m × 200 m. Läheltä tarkasteltaessa pienempi ruutukoko on etu, mutta hieman suuremmista ruuduista saa paremman yleiskuvan. Liian suuria ruudut eivät saa olla, sillä alueellisuus tulee huonommin esiin. Onnistunut ruututeemakartta voi olla tarkempi, kuin koropleettikartta ja selkeämpi, kuin pisteteemakarttaan.
Kolmas kurssikerta oli tähänastisista kurssikerroista itsenäisin ja myös omalla tavallaan vaikein. Aloitimme kuitenkin helpolla Afrikka harjoituksella, jossa opimme jälleen kerran tärkeitä perusjuttuja paikkatieto-ohjelmista. Opimme yhdistämään tietokantoja, tuomaan uutta dataa (esim. excel-taulukoita) QGIS:siin ja yhdistämään ominaisuuksia tietokantojen välillä.
Ohessa kuva 1, jossa näkyy harjoitusaineistona käytetty Afrikka, sekä kartalla näkyvät öljyesiintymät, timanttikaivokset ja konfliktit. Kaikkiin näihin tietokantoihin on liitetty sijaintitiedon lisäksi löytämis- ja tapahtumavuodet, timanttikaivoksiin ja öljykenttiin tuottavuusluokittelu sekä konflikteihin laajuus. Käytössä oli myös aineisto internetkäyttäjien lukumäärästä eri vuosina valtioittain. Kartasta nähdään konfliktien alueellinen sijoittuminen ja jonkin asteista korrelaatiota resurssien sijainnin kanssa. Kuitenkin tietokantojen vuosilukuja vertaamaalla voidaan selvittää, ovat konfliktit tapahtuneet kaivosten tai öljykenttien löytämisen takia vai ei. Mielenkiintoista olisi selvittää myös, onko tuottavimpien kaivosten ja öljykenttien lähellä enemmän konflikteja kuin vähemmän tuottavien. Internetkäyttäjien määrää voidaan pitää valtioiden kehityksen mittarina. Konflikteja on mahdollista verrata internetkäyttäjien lukumäärään ja seurata, ovatko konfliktit seurausta valtion kehityksestä vai onko valtion kehitys vähentänyt konflikteja.
Kuva 1: Afrikka ja siihen liitettyjä tietokantoja.
Kurssikerran itsenäisessä harjoituksessa oli tarkoitus tehdä tulvaindeksi Suomen vesistöalueista. Tehtävässä piti laskea tulvaindeksi ja luoda sille uusi sarake, liittää tietokantaan järvisyysprosentti ja tehdä teemakartta. Tein harjoituksen vuoksi teemakartat pylväs- (kuva 2) ja ympyrädiagrammeilla (kuva 3).
Kaikista hankalinta harjoituksessa oli teemakartan väritys. Karttaan piti saada näkyviin joet, järvet, valuma-alueet ja niiden rajat, tulvaindeksi, järvisyyspylväät / ympyrädiagrammit ja maa-alue. Halusin kuvata kaikki veteen liittyvät kohteet sinisellä, mutta kuitenkin niin että ne erottuvat toisistaan. Mielestäni onnistuin tässä n. sadan eri yhdistelmän kokeilemisen jälkeen hyvin. Ainoa asia, joka jäi harmittamaan on järvisyyspylväiden asteikko kuvan 2 legendassa. Ohjelma ei suostunut esittämään pylväitä legendassa neliöinä tai pylväinä muutamaa sekuntia kauempaa, mutta ympyrät toimivat jotenkuten.
Kuva 2: Teemakartta, jossa valuma-alueittain esitettynä tulvaindeksi ja järvisyysprosentti käyttäen pylväsdiagrammeja.Kuva 3: Teemakartta, jossa valuma-alueittain esitettynä tulvaindeksi ja järvisyysprosentti käyttäen ympyrägrammeja.
Itse kartoissa voidaan havaita, että tulvaindeksi on kaikista suurin Suomen länsirannikolla Pohjanlahden rannalla, jonne joet laskevat. Mitä tummemman sininen valuma-alue on, sitä suurempi tulvaindeksi siellä on. Korkea tulvaindeksi selvittyy sillä, että länsirannikolla on vähemmän järviä ja enemmän jokia ja maa on alavaa. Muualla Suomessa, varsinkin Pohjois-, Keski- ja Itä-Suomessa, suuri järvisyysprosentti korreloi pienen tulvaindeksin kanssa. Pohjois-Suomi on myös jyrkempää aluetta ja sieltä vesi virtaa toisaalle tulvimaan.
Itse maallikkona en tajunnut sitä, mistä Reetta Lehto kertoo blogissaan. Tiesin, että länsirannikolla on tulvia ja täten otin sen valuma-alueet vain itsestäänselvyytenä. Lehto kuitenkin kiinnittää huomiota koillis-lounas-suunnassa kulkevaan selkeään rajaan, joka erottaa länsirannikon valuma-alueet muista. Raja on vedenjakaja, joka erottaa alavan rannikon muusta Suomesta. Tämä vedenjakaja on todennäköisesti syntynyt jääkauden aikana.
Kurssikerta II lähti käyntiin vauhdilla ja tutustuimme jälleen uusiin QGIS:sin työkaluihin. Tämän kurssikerran työkaluilla pystyy tekemään valintoja eri kriteerein ja näen nämä todella hyödyllisiksi tulevia kursseja ajatellen. Suosikkini oli kuitenkin työkalu, jolla pystyy vaihtamaan auki olevan kartan projektiota. Kokeilin monia eri projektioita avaamallani Suomen kartalla ja samalla mittasin erään alueen pinta-alaa. Keräsin havainnot taulukkoon 1. Usein maailmankartoissa käytetty Mercatorin projektio melkein kahdeksankertaistaa pinta-alan Suomen pohjoisimmilla leveysasteilla verrattuna Lambertin oikeapintaiseen tasoprojektioon tai karttakoordinaatistojärjestelmään (KKJ). Sattumalta löysin myös outoja IAU2000-projektioita, jotka skaalasivat alueen aivan valtavaksi.
Varpu Savolainen havainnollistaa Mercatorin ja Lambertin projektoiden vääristymiä blogissaan tekemällään kartalla. Taulukossa 1 mittaamani alue oli Lapista, jossa Savolaisen mukaan vääristymä Mercatorin projektiota käyttäen on Suomen suurin. Vääristymä on jopa 564 -724%, eli alueet ovat noin 5-7 kertaa suurempia kuin oikeasti. Eteläisessä Suomessa vääristymät ovat vähimmillään silti jopa kolminkertaisia.
Taulukko 1: Eri projektioiden pinta-alojen vaihtelusta saman suuruisella alueella.
Toisessa tehtävässä käytin aineistoa Suomen Natura-alojen pinta-aloista. Natura-alueet ovat EU:n suojelemia alueita, joiden tarkoitus on turvata eri luontotyyppejä ja lajeja. Suomessa alueita on 1 865 kappaletta ja ne kattavat noin viisi miljoonaa hehtaaria Suomen pinta-alasta. Tämä on noin 12,4% Suomen pinta-alasta. Alueita on varsinkin Lapissa.
Harjoituksen tarkoituksena oli selvittää, vaikuttavatko eri projektiot esitettäviin ilmiöihin. Laskin suhteelliset Natura-alueiden pinta-alat Mercatorin ja Lambertin projektioille ja tein näistä koropleettikartat. Suomi yleensä kuvataan Lambertin projektiolla, joten käytin sitä molempiin karttoihin.
Kuva 1: Natura-alueiden suhteellinen pinta-ala Lambertin projektiossa.Kuva 2: Natura-alueiden suhteellinen pinta-ala Mercatorin projektiossa.
Pinta-aloja laskiessani huomasin, että Suomen pinta-ala Mercatorin projektiossa oli paljon suurempi, kuin sen oikea pinta-ala on. Suomen pinta-ala on noin 338 400 km² ja Mercatorin projektio teki siitä melkein kahdeksan kertaa suuremman. Täten, jos Natura-alueet kattavat
50 000 km² Suomen pinta-alasta, on heitto todella suuri projektiota vaihtaessa. Erot tulevat parhaiten ilmi kuvien 1 ja 2 kaikista suurimman luokan arvoista. Oikealla pinta-alalla laskettuna Suomesta löytyy kunta, jonka pinta-alasta melkein 100% on Natura-aluetta. Vastaava pinta-ala Mercatorin pinta-aloilla laskettuna on vain 14.2%.
Muutokset itse kartoissa eivät kuitenkaan ole suuria. Vain legendoista voi huomata, että kuvassa 1, Natura-alueiden pinta-ala on suurempi kaikissa vihertävissä kunnissa, kuin kuvan 2 suurimmassa luokassa. Kuva 1 esittää Natura-alueiden oikean määrän ja on täten paljon onnistuneempi karttaesitys. Karttojen värit ovat hyvät, mutta olisin voinut toteuttaa harjoituksen paremmin niin, että erot tulevat esiin myös kartoissa.
QGIS:sin käyttäminen on ollut todella mukavaa ja perjantaiaamut ovat nykyisin viikkoni kohokohtia. Vaikka ohjelma välillä vähän eksyttääkin käyttäjänsä ja kaatuilee, on karttojen tekeminen ollut antoisaa. Jopa kurssiblogin kirjoittaminen tuntuu mukavalta ja vaikka toisten teksteihin viittaaminen tuntui aluksi oudolta, on kiva seurata muiden tekemiä harjoituksia ja ajatuksia kurssista.
Olin todella innoissani ensimmäisestä kurssikerrasta. Viime periodissa ollut Tiedon esittäminen maantieteessä -kurssi oli suosikkini kaikista tähänastisista kursseista ja odotin innolla uusia vastaantulevia tietoteknisiä haasteita. TEM-kurssilla käytetty Corel Draw osoittautui mahtavaksi ohjelmaksi pienen painimisen jälkeen ja olin kurssin jälkeen todella tyytyväinen siihen, mitä opin ohjelmasta. Olen aina viettänyt paljon aikaa tietokoneella ja erinäisten ohjelmien käyttö on hallussa (ainakin pitäisi olla). Tämän vuoksi ehkä hieman aliarvioin QGis:in, sillä heti hieman monimutkaisempien tehtävien kohdalla olin pudota kärryiltä.
TEM-kurssilla kartan piirtäminen oli mukavaa rentoa nyhertämistä. GEM1- kurssilla karttoja ei piirretä, vaan luodaan valmiista aineistoista. En ole aiemmin käyttänyt mitään paikkatieto-ohjelmaa, joten oli hyvä että kävimme läpi suuren osan ohjelman työkaluista. Ainakin vielä aluksi aineiston käsittely tuntuu melko hankalalta ja varsinkin laskimen käytössä tarvitsen vielä lisää harjoitusta. Onneksi meillä on Arttu ja hyvät ohjeet. *:･.
Kuva 1: HELCOM-merialueen rannikkovaltioiden typpipäästöt.
Paras osa kurssikertaa oli kartan muokkaaminen ja tulostusikkunan luominen eli kartan viimeisteleminen. Kurssikerran päätteeksi olin aivan varma, että karttani on nyt täydellinen ja siinä on kaikki juuri niin kuin pitää. Nyt kun katson sitä huomaan, että legendan värit olisivat voineet olla käänteiset tai värisävy jokin muu. Nyt näyttää siltä, että Puola on Itämeren reunavaltioista “paras” tummalla vihreällä sävyllään. Oikeasti muuttujana on negatiivinen asia, typpipäästöt, ja Puolan päästöjen korkea prosenttiluku ei ole tavoiteltava asia. Myös alhaisin luokka (3.2% päästöistä), jonka saa Viro, on aivan saman värinen kuin Muut valtiot -luokka. Jos unohdetaan värit, on kartta muuten mallikelpoinen ja olen tyytyväinen ensimmäiseen tuotokseeni.
Karttaan on siis kuvattu HELCOM-merialue (Helsinki Commission, suomeksi Helsingin komissio tai Itämeren merellisen ympäristön suojelukomissio) ja merialuetta ympäröivien valtioiden osuudet mereen päätyvistä typpipäästöistä. Noin 85% kaikista typpipäästöistä kulkeutuu Itämereen jokiveden mukana. Eniten typpipäästöjä tulee maataloudesta. Sen jälkeen suurimpia saastuttajia ovat teollisuus, haja-asutus, metsätalous, kalankasvatus ja turvetuotanto.
Typpipäästöt HELCOM-alueen kesken ovat jakautuneet epätasaisesti. Suurimmassa osassa valtioita päästöt ovat alle 10%, mutta Puolassa päästöt ovat kolmannes koko summasta. Kuten Susanna Stenberg blogissaan kirjoittaa, on mielenkiintoista, että Venäjän päästömäärä suurena valtiona on huomattavasti pienempi kuin Puolan. Stenberg kertoo pääsyyn tälle olevan Pietariin rakennettu vedenpuhdistuslaitos. Itämeren tilaa on pystytty kohentamaan suomalaistenkin tukemilla vedenpuhdistushankkeilla ja varsinkin Suomenlahden tilaan on voitu vaikuttaa. Aiemmin kaupunkien jätevedet olivat huomattava typpipäästöjen lähde, mutta vedenpuhdistushankkeiden vuoksi kaupunkien kuormitusta on saatu vähennettyä.
